我給我的 Vibe Coding 工作流加了一個進化系統
整理版優先睇
為 Vibe Coding 工作流加入跨項目進化系統，讓 AI 從反饋中自主學習並優化 skill 規則
作者本身有套叫「產品經理 4.0」嘅 Vibe Coding harness，包含 skill、agent、hook 三層。佢發現最核心嘅問題係 AI 唔長記性：今日糾正嘅錯誤聽日又犯，換個 project 一切歸零。為咗解決呢個問題，佢設計咗一個進化系統，將用戶反饋當數據源處理，參考傳統軟件 bug 流程但唔需要人工介入。
系統分三層：第一層係信號捕捉，用 hook 檢測「你搞錯了」呢類關鍵詞，自動觸發 sub-agent 記低反饋場景同錯誤類型。第二層係模式識別，反饋累積喺 feedback 目錄，同一條出現三次以上就判定係系統性問題，生成「畢業提議」升級成 skill 規則。第三層係 skill 級優化，如果某個 skill 持續低分，系統會提議重新設計，而唔係繼續打補丁。另外當出現新操作模式但現有 skill 覆蓋唔到，系統會主動提議創建新 skill。
作者堅持一個原則：所有進化都要人確認，AI 唔可以自己改規則，否則會失控。更重要係呢套進化跨 project，feedback 同規則唔綁定特定項目，第一個 project 可能仲係磨合，去到第三第四個佢已經好懂你。作者用呢套流程從零開發小說 Agent 三小時出成品，但速度唔係重點，係經驗會沉澱落系統，下一個 project 會更快。
- Vibe Coding 最大痛點係 AI 唔長記性，反饋無法跨 project 累積，作者用進化系統徹底解決呢個問題。
- 系統分三層：信號捕捉（自動檢測批評關鍵詞）、模式識別（反饋出現三次即升級）、skill 級優化（持續低分就重新設計，甚至開新 skill）。
- 關鍵差異係將傳統軟件嘅 bug 流程搬入 AI 工作流，但完全自動化，唔需要人工記錄同排期。
- 設計原則係所有進化都要人確認，避免 AI 自動修改指令集導致失控。
- 跨 project 經驗沉澱係最大價值：第一個 project 磨合，之後嘅 project 因已有規則而效率極高。
Vibe Coding 嘅核心痛點：AI 唔長記性
作者用緊一套叫「產品經理 4.0」嘅 harness，包含 skill、agent、hook 三層。佢發現無論 prompt 寫得幾好，AI 都係會重複犯錯，今日糾正咗聽日又犯，換個 project 一切歸零。
呢個係 Vibe Coding 最本質嘅問題：AI 唔長記性。
作者嘅解決方案係將用戶反饋當數據源處理，參考傳統軟件嘅 bug 流程——用戶提 bug、產品經理記需求、開發排期修——但完全去掉人工環節。
三層遞進結構：從捕捉到進化
- 1 第一層信號捕捉：hook 檢測批評關鍵詞，自動觸發 sub-agent 記錄反饋。
- 2 第二層模式識別：反饋累積喺 feedback 目錄，同一條出現三次以上就判定係系統性問題，生成「畢業提議」升級做 skill 規則。
- 3 第三層 skill 級優化：某個 skill 反饋評分持續偏低，系統會提議重新審視 skill 設計，而唔係繼續打補丁；當出現新操作模式但現有 skill 覆蓋唔到，系統會提議創建全新 skill。
第三層最關鍵，解決嘅唔係「邊度做錯」，而係「點解總做錯」。
系統會自己話你知邊度有需求缺口。
設計原則：進化要有，繮繩喺人手
另外呢套進化係跨 project 嘅：feedback 同規則唔綁定某個項目，換 project 時之前嘅經驗直接帶過嚟。
第一個 project 仲係磨合，到第三第四個 project 時已經好懂我。
實戰成果：三小時出成品，經驗持續沉澱
作者用呢套流程從零開發咗一個寫小說嘅 Agent，三小時出成品。佢話速度唔係重點，重點係下一個 project 會更快，因為呢一輪嘅經驗已經沉澱落系統。
系統會隨住使用次數越來越「懂你」。
完整流程拆解喺視頻入面，有興趣可以睇睇。
我最近幫自己嘅 Vibe Coding 工作流程加咗一個進化系統，用落覺得效果好好，同大家分享嚇。
我成個 harness 工程叫「產品經理 4.0」，skill 管流程、agent 管執行、hook 管兜底，呢啲網上好多人講，我唔展開啦。我想重點講嘅係進化呢一層，因為我覺得佢解決咗 Vibe Coding 最根本嘅問題：AI 冇記性。你今日糾正佢一個毛病，聽日佢又犯。換個項目，一切歸零。
我嘅設計思路係將用戶反饋當做數據源嚟處理。傳統軟件嘅邏輯係用戶報 bug、產品經理記需求、開發排期去修。我將呢個邏輯搬咗去 AI 工作流程入面，但係剷走咗所有人工環節。
我設計咗三層遞進結構。
第一層係信號捕捉。我寫咗一個 hook 做關鍵詞檢測，當我同 AI 講「你搞錯咗」、「唔係咁樣」、「你又漏咗」呢類說話嘅時候，佢會自動觸發一個 feedback observer 嘅 sub-agent，將反饋結構化咁記低，咩場景、邊個 skill、AI 做錯咗啲咩。我唔使特登講「記低」，後台自己搞掂。
第二層係模式識別。反饋會儲喺一個 feedback 目錄入面，每條有出現次數。每次新開 session，一個叫 evolution runner 嘅 sub-agent 會去掃呢個目錄。同一條反饋出現三次以上，佢就判定係系統性問題，會生成一個「畢業提議」，建議將呢條反饋升級做 skill 裏面嘅正式規則。
第三層係 skill 級優化。某個 skill 嘅反饋評分持續偏低，系統唔係繼續打補丁，而係提議重新審視呢個 skill 嘅設計。我覺得呢層最關鍵，佢解決嘅唔係「邊度做錯咗」，而係「點解成日做錯」。
另外仲有一個重要考慮係能力擴展。當某種操作模式反覆出現但現有 skill 都覆蓋唔到，系統會提議創建全新嘅 skill。即係佢自己話畀你知邊度有需求缺口。
我設計嘅時候堅持咗一個原則：所有進化都要人確認。系統可以提建議，但唔可以自己改規則。AI 一旦開始自動修改自己嘅指令集，你就失控啦。進化要有，繮繩要揸喺人手度。
仲有一點我覺得好重要：呢套進化係跨項目嘅。feedback 同規則唔綁定某個項目，換項目嘅時候之前嘅經驗直接帶過去。我而家嘅體感係，第一個項目仲喺磨合，到第三、第四個嘅時候佢已經好明我喇。
我用呢套流程從零開發咗一個寫小說嘅 Agent，三個鐘出成品。但速度唔係重點，重點係我知道下一個項目會更快，因為呢一輪嘅經驗已經沉澱咗入系統。
完整流程拆解喺片入面，有興趣嘅可以睇嚇。
我最近給自己的 Vibe Coding 工作流加了一個進化系統，用下來覺得效果很好，分享一下。
我的整套 harness 工程叫"產品經理 4.0"，skill 管流程、agent 管執行、hook 管兜底，這些網上聊的人很多，我就不展開了。我想重點聊的是進化這一層，因為我覺得它解決了一個 Vibe Coding 最本質的問題：AI 不長記性。你今天糾正它一個毛病，明天它又犯。換個項目，一切歸零。
我的設計思路是把用戶反饋當成數據源來處理。傳統軟件的邏輯是用戶提 bug、產品經理記需求、開發排期修。我把這個邏輯搬到了 AI 工作流裏，但去掉了所有人工環節。
我設計了三層遞進結構。
第一層是信號捕捉。我寫了一個 hook 做關鍵詞檢測，當我跟 AI 說"你搞錯了"、"不是這樣"、"你又漏了"這類話的時候，它會自動觸發一個 feedback observer 的 sub-agent，把反饋結構化地記下來，什麼場景、哪個 skill、AI 做錯了什麼。我不用專門說"記下來"，後台自己完成。
第二層是模式識別。反饋會攢在一個 feedback 目錄裏，每條有出現次數。每次新開 session，一個叫 evolution runner 的 sub-agent 會去掃這個目錄。同一條反饋出現三次以上，它就判定這是系統性問題，會生成一個"畢業提議"，建議把這條反饋升級成 skill 裏的正式規則。
第三層是 skill 級優化。某個 skill 的反饋評分持續偏低，系統不是繼續打補丁，而是提議重新審視這個 skill 的設計。我覺得這層最關鍵，它解決的不是"哪裏做錯了"，而是"為什麼總做錯"。
另外還有一個重要考慮是能力擴展。當某種操作模式反覆出現但現有 skill 都覆蓋不了，系統會提議創建全新的 skill。等於它自己告訴你哪裏有需求缺口。
我在設計的時候堅持了一個原則：所有進化都要人確認。系統可以提建議，但不能自己改規則。AI 一旦開始自動修改自己的指令集，你就失控了。進化要有，繮繩得在人手裏。
還有一點我覺得很重要：這套進化是跨項目的。feedback 和規則不綁定某個項目，換項目的時候之前的經驗直接帶過來。我現在的體感是，第一個項目還在磨合，到第三個第四個的時候它已經很懂我了。
我用這套流程從零開發了一個寫小說的 Agent，三小時出成品。但速度不是重點，重點是我知道下一個項目會更快，因為這一輪的經驗已經沉澱進系統了。
完整流程拆解在視頻裏，感興趣的可以看看。