来源
- 原始链接：https://www.youtube.com/watch?v=jVjt-2g8NMY
- 来源类型：视频逐字稿
- 来源标题：有失忆症的天才
有失忆症的天才高亮
文本来源是 AI Engineer 频道视频《有失忆症的天才》的中文可读转写稿。下面按汉松兴趣画像优先保留机制解释、反常识判断和可复用 workflow，而不是做普通摘要。
一、评估、反馈与故障闭环
背景
这组高亮抓住《有失忆症的天才》里最值得保留的反馈闭环：Agent 系统的可靠性主要来自可观测、可复现、可评分的外部结构，而不是一次性把 prompt 写得更漂亮。
因为我们捕获了你的工作——无论涉及多少个 repo——我们记录了你的意图、涉及的 repo、PR，我们还捕获了所有 agent traces。因为我们捕获了这一切，我们就能把它们关联起来。
记住，Polygraph 不是 agent，它是包裹 agent 的元框架，让 agent 更有能力。稍后 agent 就会启动，我就可以像在单个 repo 里一样与它交互，尽管实际上涉及了多个 repo，我可以给它指令。
我更喜欢这种方式而不是 context seven 之类的，因为有了真实代码，agent 可以真正深入研究，深层问题也能通过这种方式被发现。好，总结一下：agents 在空间和时间上都受到限制——只能看到代码库的一小部分，也不知道过去发生了什么。
兴趣匹配度很高。它对应汉松持续关注的 Agent 工程化主线：把非确定性系统放进可反馈、可回归、可复盘的闭环里，真正的壁垒在 harness、eval、trace 和人类分诊。
二、上下文、记忆与检索边界
背景
这里讨论的是 Agent 能否拿到正确材料的问题。对汉松有价值的点在于，它把上下文从背景信息变成系统的运行材料：可索引、可缓存、可审计，也可被重新组织。
我可以工作，他可以工作，我们可以共享各自的记忆，即便我们用的是不同机器上的不同 agent。我的整个 session 的完整状态可以在他的机器上实体化。
因为它跨越了开发者边界——不是每个开发者单独的记忆——agent 可以拥有比任何单个开发者都更多的 context。如果一个组织有一千名工程师创造了所有这些 session，这些 session 对他们每个人都是可访问的。
第二类问题是 agent 会遗忘。agent 没有 episodic memory，每个 session 都是白纸一张，人类在这种情况下变成了记忆。
兴趣匹配度很高。这是上下文工程的核心问题：不是给模型更多字，而是让模型在正确边界内获得正确材料，并让材料本身可维护、可验证、可复用。
三、工具、系统与工程约束
背景
这组摘录偏工程实现。它关心的不是模型能力的抽象上限，而是工具、接口、基础设施和生产约束如何决定 Agent 最终能不能稳定工作。
我想改 UI 并把变更传播到整个系统。首先，修改 UI library——比如改了个按钮之类的，这是第一次解释，不可避免，我们必须表达意图。
我聊过的其他组织也有类似方案，所以请从问题和解法的概念层面来看，而不只是看具体工具——虽然这个工具确实很酷。我们构建了一个 agent 无关的元框架，叫做 Polygraph。
agent 每次只能看到和修改一个 repo，永远看不到整个系统——而系统可能有数百甚至数千个 repo。这是问题的空间维度。
兴趣匹配度高。这里能迁移到实际团队建设：工具选择、数据流、权限、成本、延迟和部署形态，往往比单点模型参数更能决定系统上限。
四、人类判断、组织与协作方式
背景
这部分把人放回系统设计里。Agent 越强，越需要人类承担领域判断、目标选择、风险边界和协作组织，而不是把全部责任交给模型。
我们得出的第一个想法是：如果一个 GitHub 用户有数千个 repo 的访问权限——一些是自己的，很多是开源的——我们可以分析这些 repo 并提取大量元数据，从而构建一张统一的依赖图谱。
它无法把 UI 变更与 module one 对齐——因为人类没有解释，所以发布了一个有问题的版本。它也无法可靠地引用最佳实践和规范，因为这些往往存在于其他 repo 里。
“它知道，我不需要自己去选，它已经掌握了大量关于当前状态的元数据。我也可以问一些比较宽泛的问题。
兴趣匹配度高。它符合汉松的人机共生框架：AI 承担生成和探索，人类承担判断、责任、品味和组织设计，把人的稀缺性放在更高杠杆的位置。
五、Prompt、规格与行为设计
背景
这里的重点是行为设计。Prompt 不是一句魔法咒语，而是一套分层约束、规格、角色、语气和上下文组合出来的系统界面。
我们又得重新解释一周前的原始变更，以及我们正在看到的这个生产问题。这样，对于本质上是同一个变更，我们解释了七次。
现在我的 agent 就可以深入探索它，弄清楚它是怎么运作的，然后帮我解决自己 repo 里的问题。
顺带一提，这在我想在 session 中途从 Claude 切换到 Codex 时也很有用，比如某个 agent 出问题的时候。回到我之前提到的例子：一个 bug 上了生产。
兴趣匹配度很高。它把 prompt 从技巧提升为系统设计问题，适合沉淀到汉松的 AI 协作和 agent workflow 方法论里。
整体判断
这篇内容最值得保留的是它把《有失忆症的天才》从一次视频分享转成了可迁移的系统判断。核心素材集中在评估、反馈与故障闭环、上下文、记忆与检索边界、工具、系统与工程约束。对汉松后续写作和团队实践来说，它可以作为 AI Agent 工程化素材库的一块：不是追逐单个工具功能，而是持续追问系统如何获得上下文、如何被评估、如何进入生产闭环，以及人类判断应该放在哪些关键节点。