故事 1:从零搭建 Agent Team 开发工作流
Situation(情境)
AI 部工作需要频繁使用 AI 工具进行开发,但单个 AI agent 能力有限——设计、编码、测试、部署混在一起容易出错。需要一个多角色分工的 Agent Team 来系统化开发流程。
Task(任务)
搭建一套四角色 Agent Team(Architect / Coder / Tester / Deployer),让每个角色各司其职、协作完成完整的开发流水线。
Action(行动)
- 在 Claude Code 中利用 custom agents 功能定义四个角色,每个角色有独立的 system prompt、工具权限和 skill 配置
- 从 182 个 Hermes skills 和 90+ 个 Claude Code skills 中筛选 39 个精准装配到四个角色
- 设计完整的协作 SOP:PLAN → BUILD → VERIFY → SHIP 四阶段流水线
- 集成 Addy Osmani 的 agent-skills 仓库中的 12 个方法论 skill
Result(结果)
- 四角色 Agent Team 完整落地,39 个 skills 精准分配
- 每个角色有明确的职责边界(Architect 不写代码、Tester 不修 bug 等)
- 可复用的协作工作流文档化,后续每个新项目可直接套用
- 在轮毂领域学习项目中验证了完整工作流
故事 2:AI 内容自动化——从口述到发布
Situation(情境)
公司需要持续产出技术内容,但写作启动成本高——每次打开编辑器面对空白页都需要很大的心理启动能量。
Task(任务)
设计一条从「口述录音」到「自动发布博客」的 AI 内容生产链路,降低写作启动成本。
Action(行动)
- 设计完整链路:飞书妙记录音 → Lark CLI 转文字 → Hermes Skill 生成结构化博客 → GitHub/Vercel 自动推送
- 参考 LucasBlog 仓库(Astro + Tailwind CSS + Vercel)作为博客框架
- 搭建 Personal Website 内容系统:content/inbox 素材入口 + 四条转化链路
- 创建 4 个 Claude Code 命令和 personal-website-content-sync Hermes skill
Result(结果)
- 内容生产从「打开编辑器」降低到「打开飞书说两句话」
- 四条转化链路:inbox→blog / inbox→weekly / project→career / draft→publish
- 周末可以批量将一周的碎片记录自动转化为周记草稿
故事 3:车膜知识库从零到可调用资产
Situation(情境)
公司车膜品牌「有膜有漾」需要系统化的知识资产来支撑内容营销。但品牌信息分散在各处——产品资料、飞书文档、行业文章——每次做内容都需要重新搜集信息。
Task(任务)
搭建一个结构化、可被 AI 直接调用的车膜行业知识库。
Action(行动)
- 设计知识库结构:wiki 页面(概念+实体+对比)+ raw 深度文章 + JSONL 结构化记录
- 从知乎、懂车帝、什么值得买、B 站等多平台采集 200+ 条内容
- 对每条内容进行分类、标注、结构化处理
- 最终产出 38 页 wiki + 27 篇 raw 文章 + 304 条 JSONL 结构化记录(12 个文件)
- 设计 GEO 品牌基线测试框架,利用知识库提取关键词种子进行 AI 可见性测试
Result(结果)
- 车膜知识库从零搭建到可调用,等效 ~434 条结构化记录
- GEO 基线测试可直接从知识库提取关键词种子,减少 70% 手动整理时间
- 为后续内容营销和 AI 搜索优化提供了坚实的数据基础
故事 4:生图系统技术选型
Situation(情境)
公司需要为车膜产品搭建 AI 图像生成能力,让客户在线上预览车膜效果。但「颜色准确性」是关键——看起来高清但颜色不准等于没用。
Task(任务)
评估三种可能的生图技术方案,选出最可靠的方向。
Action(行动)
- 方案 1:高清拍摄后 AI 渲染 → 判断不可行(光照、材质、模型渲染误差导致色差不可控)
- 方案 2:基于商家电子版图片渲染 → 不可行(缺少可直接使用的电子版图片素材)
- 方案 3:色差仪获取 L/A/B 精确数值后线上预览 → ✅ 选定(成本更高但工程可控)
- 后续推进:完成飞书 MGS 生图系统配置、调试、优化,并向团队汇报
Result(结果)
- 三方案对比判断完成,避免在不可行方案上浪费资源
- MGS 生图系统完成从配置到团队汇报的完整闭环
- 从 W14 调研到 W17 落地,技术方向始终一致