AI 方法论 on Code Plato

Openclaw玩家必学的省钱小技巧

Fri, 03 Jul 2026 00:00:00 +0000

另一个 AI 恐怖故事

就跟很多 AI 恐怖故事一样，只不过我没有在早上醒来时收到一张 1000 美元的账单。

上周，我突然收到 OpenAI 的邮件，说我的余额已经用完，需要充值。我当时吓了一跳，因为我的 OpenClaw 使用的是 OAuth 方式连接，按理说不应该动到我的 Credit。但由于 OpenClaw 的 Token 花费突然提高，它开始扣除我的 Credit 余额了。至于这是 OpenClaw 的 Fallback 策略导致的，还是 OpenAI 自身的 Fallback 策略导致的，我并不清楚。总之，这件事就这么发生了。

我第一时间有些慌张，直接把整个 OpenClaw 删除重装，然后又在 Discord 里新建了一份会话。这个方法虽然有效，但多少有些反应过度。今天我要教你的，是一个使用 OpenClaw 时必学、但很多人都不会的技巧。

根本原因

这个问题是这样发生的。你要知道，模型本身是没有记忆的。每一次你跟模型对话时，它都不知道你是谁，也不知道它自己是谁。你需要给模型提供上下文，告诉它它是谁、你是谁、你们之前聊过什么，以及你现在需要它做什么。除了你当前发送的这条消息之外，其他所有信息都可以统称为上下文。这个上下文通常由 Harness 负责维护。常见的 Harness 包括 OpenClaw、Hermes Agent、Claude Code 等。

不过 “Harness” 这个词有点过于专业，所以大家平时更习惯把它们统称为 Agent。

多层上下文

上下文本身也是分层的：

app 层：这一层记录了你是谁、这个 App 是谁。你在 ChatGPT 里问"你是谁"，它会告诉你它是 ChatGPT；你在 OpenClaw 里问同样的问题，它会告诉你它是 OpenClaw。即使你的 OpenClaw 连接的是 OpenAI 的模型，回答你的其实仍然是同一个底层模型。
session 层：这一层是当前 Chat 的上下文。这也是为什么你在一个 Chat 里说过的话，不一定能在另一个 Chat 里被识别。但好处是可以隔离不同对话。例如你可以在一个 Chat 里让它扮演律师，在另一个 Chat 里让它扮演心理咨询师。

在 app 层，OpenClaw 会帮你注入大量上下文，包括但不限于：

AGENTS.md
SOUL.md
USER.md
MEMORY.md

上下文压缩

那么问题来了。随着 App 使用时间越来越长，以及 Chat 对话持续时间越来越久，你的上下文会变得越来越长。最终长到让费用开始暴涨。有时候 Agent 会触发上下文压缩（Context Compression）来缓解这个问题。但你很快会发现，Agent 好像变傻了。它并不是完全忘记了你交代的事情，而是会记住一部分、遗漏一部分。这是因为在压缩过程中，你之前的指示细节被丢失了。而且即使经过压缩，上下文依然可能非常庞大。

那么，如果压缩也解决不了问题，我们该怎么办呢？

解决方案

养成好习惯

首先，问问自己是不是经常依赖某个 Chat 来做重复性的事情。例如，你开了一个 Chat，然后不断让它帮你翻译文档，或者持续帮你访问某个网站完成固定任务。久而久之，你会非常害怕这个 Chat 被关闭，因为重新建立一个新的 Chat 很麻烦。

如果你存在这种情况，那么需要养成一个好习惯：

当一件事情重复三次以上，就把它蒸馏成 Skill。

如果你做不到这件事，可以直接去使用 Hermes Agent。现在你应该能理解 Hermes Agent 为什么会火了吧。不过我个人还是更喜欢手动掌控 Skill 的制作过程，所以我依然使用 OpenClaw。

平时也记得把一些长期有效的信息固化到预加载的上下文文件中，例如：

如果你觉得自己设计的人设很好玩，请确保这些设定被写入 SOUL.md。
如果你希望某些个人信息被长期记住，例如地址、电话等，避免每次重复说明，那么请确保这些信息被记录到 USER.md 中。

重置上下文

如果你已经养成了前面的习惯，那么当再次遇到上下文暴涨时，就可以比较放心地重置上下文。重置上下文主要分为两步：

app 层：清空 MEMORY.md 以及 memory 文件夹。由于常用习惯已经被蒸馏成 Skill，这部分 Memory 往往没有那么重要，可以直接删除。
session 层：当你完成了一个大型任务，或者某个 Chat 已经连续使用超过一周时，就使用 /new 创建一个新的 Chat。

这样一来，你就清理掉了上下文中体积最大的两个部分。

好处

这样做有两个直接好处：

大幅降低 Token 消耗，从而减少使用成本。
降低 OpenClaw 的出错概率。上下文越干净，模型越容易聚焦于当前任务，减少遗漏和误解。返工次数少了，本质上就是工作效率提高了。

关于作者

我是代码Plato。

我相信，人类的创造力才是 AI Coding 的真实之树，而代码与模型不过是投射在洞穴墙上的影子。

微博：@代码Plato 主页：https://weibo.com/u/1041257881

AI时代我们应该如何阅读技术文档：精炼阅读

Fri, 15 May 2026 00:00:00 +0000

读不完的技术文档

一直以来，我们都关注要多看技术文档。但是我遇到的实际情况是：有时候一篇文档太长，看得时间太久，导致：

犯困，效率下降
中间被其他事情打断
被中间的知识点引导到别的文章去，而那篇文章也很长。我计算过，如果把这些文章全部读完，是不可行的，时间成本太高

实际的结果就是，我的浏览器常年开着很多没看完的技术文章 tab，我又舍不得关掉它们。我有时候会把它们放到收藏夹里。但是这并没有从根源上解决问题，反而造成收藏夹里的文章越来越多。收藏夹变成了一个巨大的 todo list。

阅读技术瓶颈

这些堆积的技术文档在我内心造成了负担，让我觉得愧疚。这成为了我脑子里的技术债。我总觉得是我不够努力，才没有读完它们。

但是我今天想，我要把这些技术文档全部读完是不可能的。因为：

文档的长度决定了读完它们注定要消耗大量的、超过我可承受范围的时间成本
文档中又会发散出新的文档，这个过程永不停歇

就像技术问题有瓶颈一样，我将它称之为阅读方面的技术瓶颈。这个问题需要通过逻辑层面的解决方案来解决，而不只是纯技术手段。

这个瓶颈的本质是：我们的时间和注意力都是有限资源。时间这个单位离人本身太远了，不能作为主要的度量工具，因为同样的时间里，你的阅读速度是不一样的。所以我更愿意将"注意力"作为我们的资源单位。你可以把人的注意力看作某种 token，你的 attention token 简称 AT。当你的注意力足够强，就可以产生 AT 力场（大雾）。消耗完了，就得靠睡眠来补充。

这个阅读技术瓶颈本质上是：

阅读文档总时间 > 你所拥有的注意力

精炼阅读

永远可以提炼

我想到，就算这些技术文档全都只看了一点点，我也能好好地做技术做到现在。有些文档甚至在我还没读的时候，这门技术就已经被淘汰了。所以，其实大部分文档中的信息我是不必去记忆的，只是把它们当作字典查询就可以了。

这甚至适用于很多总结归纳后的文档。它们依然可以继续被提炼。被提炼过的文字，其实依然可以再被提炼，最终提炼成一句话。但是提炼的过程会丢失大量信息，而这是预期内可以接受的。

LLM提炼

在 AI 编程时代，程序员的价值就是"注意力"。

我想，可以在注意力下降的时候，适当使用 LLM 去归纳文章剩下的部分。通过让 LLM 阅读并归纳后，我们先阅读大纲，然后对感兴趣的部分反复提问来学习。

后来我又想，为什么不更进一步：一开始就让 LLM 先提炼出一个足够短的文章大纲。然后我们阅读大纲后，选择继续读，还是就此放弃。继续阅读时，也可以选择自己逐行精读，或者只阅读感兴趣的部分。

不要发散

在阅读到自己感兴趣的知识点后，不要去 Google。我们来看这个行为链：

Google 关键词 -> 看到想看的页面 -> 点击页面 -> 查看该页面

Google 的搜索结果页面单项结构：

LOGO: 网站名
一句话的页面简介（不一定是页面标题）
2-3 行的页面短简介

你需要消耗注意力去逐条看这些词条。你打开了一个新的、花里胡哨的页面后，还需要继续消耗注意力去寻找你想看的东西。也许页面中的其他部分也在消耗你的注意力。

所以，遇到你感兴趣的知识点后，不要立刻去 Google。

直接问 AI，让 AI 给你找到你想看的东西
在回答中要求它附上链接，作为确认的证据
你可以自己点链接确认。一旦发现链接失效，后续会话中可以让它自己先访问链接，排除失效链接后，再给出可用链接

所以，我将这种方式称为 精炼阅读。

验证

我们需要一种方式去验证这种方式，否则无法证伪。所有无法证伪的都是伪科学。如果这种方法只是我瞎扯的，那么就可以被证明我在瞎扯。如果这个方法无效，那也是在浪费读者你的时间。

验证方式：

通过以下维度来验证使用该方法后的效果：

浏览器打开的技术文档 tab 数量应该下降
收藏夹内的未读文章数量应该下降，或者被归档
结束一天后总结，今天确实实现了本来预定的阅读计划，负罪感降低（这点其实很主观，也很伪科学，但没关系）

你也可以通过这套验证方式来验证该方法是否有效，从而决定你是该相信我，并改变自己的阅读习惯，还是觉得这个人就是在 bullshit。无论哪一种，你都走出了重要的一步：亲自实践 AI 带来的生活习惯改变。这就是有价值的。

AI时代如何提问面试者

Thu, 14 May 2026 00:00:00 +0000

背景

在 AI 时代，我们要如何面试才能保证招到合适的人才？你也不想招到一个 LeetCode 很厉害，但是却不会用 Claude Code，而且也不愿意学习 AI 编程的人吧。

但是相比起 LeetCode 或者传统软件知识来说，AI 又太年轻。我们又怎么样才能知道，对方是否能在未来几年的工作中，在公司保持较高的生产力呢？

术语规范

AI 只是一个泛泛的术语，适用于普通人理解。但是我们身为职业工作者，用词必须准确。

AI 包含很多范围，比如深度学习、监督学习、大语言模型，以及各种模型。本文只探讨大语言模型这个范畴内的面试问题。所以为了简单，本文会用 AI 指代 LLM。

本文也不讨论 LLM 训练方向的人才招聘。因为我不懂。而且这方面的知识体系存在时间比较久，已经有成熟的面试体系了。本文只探讨大语言模型应用方向的人才招聘。

核心思想

我们主要考核 4 个方面：

学习能力：
我们要招聘的是面向 AI 编程的程序员。无论他做的是 AI 方面的工作，还是只是使用 Claude Code 来编程，他都需要保持对技术的渴望，要紧跟时事。

因为在 LLM 应用这个领域，没有哪个学校可以有效地开课教授这方面的知识。你年初学的东西，可能到年末就已经过时了。所以学习必须靠自己。

要像追明星八卦一样去追逐 AI 的新动向。我经常会说，好的 AI 程序员就是狗，是你在 chasing 技术，而不是技术在 pushing 你。

所以我们的问题不仅会问 LLM 的知识，还需要知道他是否对 LLM 技术有追逐感。
整体理解：
考核面试者对 LLM 的整体理解。
使用经验：
考核面试者是否真的使用过 AI 编程工具。
具体知识：
考核对具体框架（比如 LangGraph）的了解。但这方面更多是针对 AI 整合方向的。

问题例子

以下是一些问题的例子，以及我自己的一些答案。

这些不代表标准答案。而且就像 LLM 有训练截止时间一样，我这些答案的截止时间是 2026.06。

学习能力

LLM 应用发展到现在经历了哪几个阶段？提示：第一个阶段是提示词工程
答案：提示词工程、上下文工程、Harness Engineering
什么是 Harness Engineering？
Harness Engineering 是为 AI Agent 搭建"外部运行框架"的工程，包括 tools、memory、retrieval、validation、workflow 和 feedback loop，用来提高 Agent 的正确率与可控性。

简单地说，现在的 Agent 架构可以简化为：model + harness。
说几个你知道的最新的 LLM 应用？
比如 OpenClaw、Hermes Agent、Happy Codex 等等（这个回答截止于 2026.05）。
说几个你知道的最新的 LLM 模型名字？
Opus、GPT5.5 等等（这个回答截止于 2026.05）。
你一般通过什么方式学习 LLM 技术？
看资讯网站、follow 某些媒体、自己做 LLM 项目，然后需要什么学什么，等等。

整体理解

上下文工程和提示词工程的区别是什么？
答案：提示词工程是"怎么写一句更好的 prompt"，上下文工程是"怎么为 AI 动态构建整个运行时上下文系统"。

因为现代 AI Agent 的效果，主要取决于"是否拿到了正确的上下文和工具"，而不只是 prompt 写得漂不漂亮。
你怎么理解 “RAG is dead” 这句话？
有两个层面的理解：
- 由于上下文工程的出现，人们更多地把提升智能体工作效率的重点，从"更强的 RAG"转向"更好的上下文工程"。
- 严格来说，不是 RAG 死了，而是早期那套 Naive RAG 死了。早期的 Naive RAG 基本是：文本 chunk -> embedding -> similarity search。
你有了解什么上下文工程的方法论吗？
上下文压缩、结构化笔记、子 Agent 架构。
上下文工程和 Harness Engineering 的区别和联系是什么？
Harness Engineering 更关注 AI Agent 的整体运行框架和执行系统，而上下文工程更关注如何为 Agent 动态组织和提供正确的上下文。

上下文工程可以看作 Harness Engineering 的核心组成部分之一。
什么是渐进式披露（Progressive Disclosure）？
渐进式披露（Progressive Disclosure）是指系统不一次性展示全部信息，而是在需要时逐步暴露相关内容，以降低复杂度并减少上下文干扰。

使用经验

以下问题没有标准答案，除了最后一题。

介绍一个你日常使用 Claude Code 编写代码的场景。
你遇到过 AI 写的最蠢的代码是什么？
遇到 AI 一直无法修好的 bug 怎么办？
你是否比较过市面上几款 AI 编程工具的效率？你觉得哪个好？理由是什么？
作为开发者，我们应该怎么写代码？

关于这题，我自己有一些答案，但会放在我的另一篇文章《AI 时代的程序员应该掌舵而不是编写（Steering Not Typing）》里面。

具体知识

这部分就根据具体框架来出题即可。比如你要考 LangGraph，那就根据 LangGraph 出题。

我就不献丑了。