作者将一名名为 Viktor 的 AI 员工接入工作室的 Slack，并把自己的 motion 工作流交付包交给它检查。首次任务是检查 harness ZIP 包（8 个 Markdown 指令文件和 4 个辅助文本），为读者准备快速上手指南和交接清单。Viktor 返回四份文档，并发现七个在 README 中被引用但未包含在交接中的 QA 和溯源记录——这是作者自己的遗漏。作者随后纠正：指定 LAUNCH-PROMPT.txt 为主路线，补充七个 QA 记录，并要求将读者说明控制在 80 字内。文章详细记录了任务下达、首轮审查、纠正与修订、说明批准和最终结果，展示了如何通过明确的上下文、输出定义和人工审核步骤来有效管理 AI 协作者。
作者运营一家动效设计工作室，为产品发布制作 launch 视频。他发现动效制作是简单部分，而询盘、需求整理、报价、素材收集、修改记录、交付和收款等业务流程占据大量时间。他引入 AI 员工 Viktor，接入 Slack、Teams、邮箱、日历、Drive 和发票系统，通过结构化 prompt 让其承担业务流程：筛选询盘并起草回复、将通话笔记转为制作简报、按价目表起草报价、收集并检查素材缺口、记录整理修改意见并标记新场景报价、发送文件与发票并跟踪付款、每周一发送经营报告。核心原则是"AI 提议，人审批"，任何内容未经作者确认不会发给客户。
本文介绍如何通过'循环工程'降低 Claude 自动化的 token 开销：将队列检查、重复判断等高频决策从主对话中剥离，交由专用代码路径和 TypeSafe AI 的决策模型 Jev 处理。Jev 提供 Choice、Noul、Score 三种类型化问题原语，返回带概率的结构化答案，成本低至每百万输入 token $0.042。文章以 issue 分类过滤为例，给出完整的 Python SDK 实战代码，展示如何构建可检查、可扩展的任务路由过滤器，让 Claude 专注于实现工作，应用代码控制任务流转。
本文深入探讨了AI代理开发中的一个关键误解：大上下文窗口并不等同于记忆。作者通过办公室隐喻，清晰区分了上下文窗口（桌面）、检索（书架）、压缩（ZIP）和摘要（抽象）在代理认知栈中的不同角色。文章指出，模型本质上是无状态的，每次API调用都从零开始，依赖大上下文窗口会导致注意力分散、雪球效应和延迟问题。真正的记忆持久化需要代理扮演数据库管理员的角色，通过检索、压缩和摘要等技术，将原始数据存储在外部存储中，仅将相关信息放入上下文窗口。文章提供了具体的代码示例，展示了如何实现冲突解决和分叉存储模式，为构建可靠的AI代理提供了实用指导。
本文探讨了在 Agentic AI 系统中，上下文工程与记忆工程如何解决不同问题。上下文工程专注于单次推理调用的设计，涵盖选择性包含、结构放置、压缩和历史管理；记忆工程则关注跨会话的持久化，涉及写入策略、存储层选择和检索策略。两者在检索边界交汇，共同决定了 Agent 在实际工作负载中的可靠性。
本文深入解析Agent工程中常被混淆的三个架构层级：Harness工程构建模型运行环境与基础能力；Loop工程设计工作反馈循环，通过验证与迭代提升质量；Graph工程则显式定义工作流拓扑，控制节点分支与状态转换。文章强调理清环境、反馈与流的关系对构建生产级Agent至关重要。
