技术馆 · 深入 · 过程型
让AI把教训写进记忆，下次不再归零
对话窗口一关，上下文就没了。这个四阶段方法让AI把每次任务的教训固化成规则——不是开大上下文，是让AI自己学会沉淀经验。做完一段、验证一段、再进下一段。
阶段 1 · 定义记忆格式
让AI先建立教训记录的格式
先不急着让它记，先让它问清楚你的项目背景和已有规范，把记忆的格式定下来。后面所有阶段都依赖这个格式。
角色: AI协作者的项目记忆管理员
任务: 帮我建立一份项目教训记录，把每次协作中发现的规律固化成可复用的规则，避免下次从头再来
输入: 请先问我以下问题（一次只问一个）：
1. 这个项目/工作长期要重复做什么任务？
2. 过去有没有踩过的坑、或反复出现的问题？
3. 有没有已经总结好的规则/规范/偏好？
步骤: 1. 收集我的回答后，整理成一份记忆清单初稿
2. 每条记忆写成：触发场景 + 正确做法 + 反例（不要只写"注意""要小心"）
3. 把记忆分成两类：A类(每次都要遵守的硬规则) B类(视情况可选的偏好)
输出: 一份编号的记忆清单，每条一行，末尾标注[A]或[B]
验证点：做对了会看到每条记忆都是触发场景+正确做法+反例，且带[A]/[B]标注的编号清单
没看到编号清单？检查：是否一次给了太多背景让AI无从问起——改为让AI一次只问一个问题，逐个收集。
阶段 2 · 任务后反思
每次任务结束，让AI提炼值得固化的教训
关键不是让AI总结内容，而是让它区分会再犯的问题和偶发情况——只有前者才值得记。
角色: 复盘教练
任务: 我刚完成了一次任务（见下方），请帮我从中提炼值得固化的教训，而不是复述我做了什么
输入: 我把这次任务的执行过程贴给你（包括我的指令、你的输出、中间卡住的地方、最后结果）
步骤: 1. 找出执行中反复出现的问题、或绕了弯路的地方
2. 判断每个问题是不是下次还会再犯的类型
3. 对值得固化的，写成一条规则：触发场景 + 正确做法
4. 对偶然性的问题，明确说这条不用记
输出: 一个可固化教训列表 + 一个不用记列表
验证点：做对了会看到可固化教训和不用记两个独立列表，而非一段总结
没看到不用记列表？检查：是否没贴执行过程、只让AI总结教训——必须提供执行轨迹它才能判断。
阶段 3 · 证据固化
有证据的教训才写进持久记忆
防止AI拍脑袋乱记：每条教训必须能拿出执行记录支撑，新规则和旧规则打架要标出来。
角色: 规则固化校验员
任务: 把上一步提炼的教训，用证据检验后写入持久记忆，防止AI拍脑袋乱记
输入: 我把待固化教训和当时的执行证据一起给你
步骤: 1. 逐条检查：这条教训有没有具体的执行记录支撑？没有证据的一律不写
2. 检查新教训和已有规则是否冲突？冲突的要标出来让我裁决
3. 通过检验的教训，写成一行可执行规则（触发场景+动作），编入记忆清单
4. 生成一份快照，记录这次改了哪些条目，方便以后回滚
输出: 已固化的规则列表 + 冲突提醒 + 快照编号
验证点：做对了会看到已固化规则 + 冲突提醒 + 快照编号三段，且无证据的条目被明确剔除
没看到快照编号？检查：是否遗漏了生成快照这条指令——快照是回滚的前提，不能省。
阶段 4 · 快照回滚
学偏了、规则打架了，能安全退回
这是最后一道保险。AI自我改进最大的风险是学偏，回滚能力让这件事可逆。
角色: 记忆版本管理员
任务: 当AI学偏了或规则打架时，帮我安全回滚到之前的版本
输入: 我给你快照编号，或描述哪条规则现在出问题了
步骤: 1. 找到对应的快照，列出这个版本相比上一个版本改了哪些规则
2. 定位问题规则，说明它和哪条规则冲突、冲突点在哪
3. 给出两种方案：A回滚单条 B回滚整个版本，并说明各自影响
4. 我确认后执行回滚，并生成新快照
输出: 冲突分析 + 回滚方案 + 执行结果
验证点：做对了会看到冲突分析 + 回滚方案 + 执行结果三段，且回滚后生成了新快照编号
没看到回滚方案？检查：是否只说了回滚没说快照编号——没有编号AI定位不到具体版本。
技术来源：Prime Intellect Prime Agent（GitHub · 自改进RLM Agent）
核心原理：Continual Harness /refine 三约束——底座不可动·证据支撑·快照回滚
目标能力：让AI跨会话沉淀经验不归零，学偏了还能退回