终端型AI生产力工具的核心功能与实战教程

一、教程目标

本教程要帮助读者完成一件具体的事：把以终端命令行和本地文档目录为核心的AI生产力工具，从“临时问答工具”改造成“可持续积累的长期协作助手”，并围绕学习、长文档创作、数据分析三类典型场景，搭建一套可复用、可验证、可排查的本地工作流。

适合阅读本教程的读者包括：习惯在终端中工作的开发者、需要长期维护本地知识库的技术人员、从事长文档写作的内容工作者，以及希望把AI能力嵌入日常流程的技术负责人。读者不需要具备特定厂商产品的使用经验，但应了解基本的文件目录操作、命令行使用方式和Markdown文档格式。

本教程不依赖任何特定品牌产品，所有方法均以通用技术概念表达，读者可将其映射到任何支持本地文件读取与多轮对话的AI编程助手之上。

二、适用场景

在展开操作前，先明确这套工作流适合解决哪些问题，避免把它当成万能方案。

场景一：领域知识学习。 本地存在一个专门用于学习某领域知识的文件夹，内含教程、文章、论文与个人学习心得。AI需要读取其中的约束文件，按约束规则检索相关文档，并在后续对话中判断学习者已掌握哪些内容、在哪些地方卡住。

场景二：长文档创作。 需要完成人物设定、世界观、主线大纲、章节草稿、伏笔清单、时间线等多份互相引用的文档，并让AI在写作过程中持续校验内容一致性。这类任务对上下文长度和跨文档引用能力要求较高。

场景三：数据分析与复盘。 需要让AI撰写每日记录、计划、复盘笔记与个体分析，并把大量原始信息交由AI汇总成结构化文档，进而回答“近期亏损是否具有共性”这类需要跨多份历史记录聚合的问题。

与网页端、移动端对话式产品相比，核心差异不在于单轮回答质量，而在于状态是否被持久化：网页端更像一位临时老师，今天问完明天重来，不知道你读过哪些资料、卡在哪里、做过哪些笔记；而本地工作流把“记忆”落在文件系统上，AI每次都能基于完整上下文工作。

三、前置准备

在开始配置前，请确认以下条件已具备：

1. 基础环境：一台可运行终端的环境，具备文件读写权限；建议使用版本控制工具管理知识库目录，便于回溯。
2. 目录结构：为每类任务建立独立根目录，例如 knowledge/、novel/、trading/，避免不同任务的文件互相污染。
3. 约束文件：在每个根目录下放置一份约定AI行为的说明文档（如 AGENTS.md 或 RULES.md），用自然语言写明“如何教我学习”“输出格式要求”“禁止修改哪些文件”等规则。
4. 多模态能力评估：若任务涉及图片识别或图像生成，需要确认所选方案是否支持多模态输入输出；若当前方案仅支持文本，应提前规划替代路径，例如先用独立的图像理解环节把图片转成文字描述，再交给主流程处理。
5. 记录留存方案：终端会话的聊天记录默认较难完整保留，需提前确定留存方式，例如将会话内容定期导出为Markdown文件写入知识库目录，或使用具备会话持久化能力的客户端形态。
6. 插件与扩展机制：若需要扩展功能，应了解所选工具的插件加载方式，并以通用方式描述，不依赖特定项目名称。

四、实施步骤

步骤1：建立任务隔离的目录结构

做什么：为每类任务创建独立根目录，并在根目录下划分“输入资料”“产出文档”“约束规则”三个子区。

为什么做：AI在读取文件时通常按目录范围检索，清晰的边界能减少无关文件干扰，也便于后续审计“AI到底看了哪些材料”。

注意什么：不要把不同任务的文件混在同一目录；约束文件应放在根目录最外层，确保每次会话都能被优先读取。

示意结构：

knowledge/
  RULES.md          # 约束AI行为的规则文件
  sources/          # 教程、论文、文章
  notes/            # 个人学习心得
novel/
  RULES.md
  settings/         # 人物设定、世界观
  outline/          # 主线大纲、伏笔清单
  drafts/           # 章节草稿

步骤2：编写约束文件

做什么：用自然语言在 RULES.md 中写明AI的角色、检索顺序、输出格式与禁止行为。

为什么做：约束文件是把“临时提示词”升级为“持久规则”的关键。它让每次会话不必重复交代背景，也降低AI随意发挥导致的偏差。

注意什么：规则应具体可执行，避免“尽量专业”这类模糊表述。建议包含：读取顺序（先读规则再读资料）、引用要求（回答需标注来源文件名）、写入限制（不得直接覆盖草稿）、提问策略（学习场景下先提问再讲解）。

示意片段：

角色：领域学习助教
读取顺序：RULES.md → notes/ → sources/相关文档
输出要求：先列出已读文件，再回答问题，最后给出3个检验问题
禁止：修改 drafts/ 下任何文件；编造未在资料中出现的结论

步骤3：配置会话记录留存

做什么：设定会话内容的落盘机制，把每次重要对话导出为带时间戳的Markdown文件，存入 notes/sessions/。

为什么做：终端会话难以完整保留是常见痛点，而“AI是否知道你学过什么”恰恰依赖历史记录。把会话沉淀为文件后，下一次会话可让AI先读取这些记录，形成连续记忆。

注意什么：导出频率不宜过低，建议每个学习单元或每个创作阶段结束后立即导出；文件名包含日期与主题，便于检索。

步骤4：补齐多模态能力

做什么：若主流程不支持图像输入，增加一个前置环节：先用具备图像理解能力的环节把图片转成结构化文字描述，写入 sources/ 目录，再交由主流程处理。

为什么做：多模态缺失会阻断“读图学习”类任务。将图像转为文字是通用降级方案，能在不改变主流程的前提下补齐能力。

注意什么：图像描述应包含关键信息而非泛泛而谈，必要时保留原始图片路径作为引用，便于人工复核。

步骤5：执行学习场景闭环

做什么：按“读取规则 → 检索相关资料 → 生成学习文档 → 次日让AI提问检验”的顺序循环。

为什么做：学习的关键是检验掌握程度，而非单向灌输。让AI基于已读资料出题，能把“我学过了”变成“我确实掌握了”。

注意什么：每次新建的学习文档应写入 notes/，并在下次会话中明确告知AI“这些已学”，否则AI无法判断进度。

步骤6：执行长文档创作闭环

做什么：先产出设定、世界观、大纲、伏笔清单、时间线等基础文档，再写章节草稿，最后让AI逐项比对草稿与基础文档的一致性。

为什么做：网页端产品的上下文限制使长篇小说难以连贯推进；把设定外化为文件后，AI可在每次校验时按需读取，突破单次上下文窗口的限制。

注意什么：基础文档应保持稳定，改动需记录版本；校验时要求AI逐条列出“冲突点 + 依据文件 + 建议修改”，避免笼统评价。

步骤7：执行数据分析闭环

做什么：把每日记录、计划、复盘笔记、个体分析统一写入固定目录，定期让AI跨文件聚合，回答“近期亏损交易有无共同点”这类问题。

为什么做：单点问答只能回答孤立问题，跨文件聚合才能发现模式。这要求记录格式统一，否则聚合质量会显著下降。

注意什么：记录字段应保持一致（如日期、标的、方向、结果、原因），便于AI做结构化对比；提问时应指明分析范围与时间窗口。

五、配置说明

约束文件中的配置项虽为自然语言，但仍有取值逻辑需要说明：

• 读取顺序：决定AI的注意力分配。建议“规则优先、笔记其次、原始资料最后”，避免被大量原始资料淹没。
• 引用要求：强制标注来源可显著降低幻觉，代价是输出略长，适合对准确性要求高的场景。
• 写入限制：对草稿目录设只读约束，可防止AI误覆盖人工内容，属于低成本高收益的安全配置。
• 提问策略：学习场景建议“先问后讲”，创作场景建议“先校验后建议”，两种策略不宜混用。

六、结果验证

完成配置后，可用以下方式验证是否生效：

1. 规则生效验证：新开会话，询问一个与规则相关的问题，观察AI是否先声明已读取规则文件。
2. 记忆连续性验证：告知AI“某文档已学”，次日会话中要求其出题检验，若题目覆盖该文档要点，说明记录留存与读取链路正常。
3. 跨文档一致性验证：在草稿中故意写入与设定冲突的细节，观察AI是否能定位冲突并给出依据文件。
4. 聚合能力验证：就历史记录提出一个跨文件问题，检查回答是否引用了多份文件而非泛泛而谈。

七、常见问题与排查

• AI未读取约束文件：多为目录层级过深或文件名不匹配，检查规则文件是否位于根目录且命名符合约定。
• 回答偏离资料、出现编造：检查引用要求是否明确，必要时在规则中增加“未在资料中出现的内容必须声明不确定”。
• 会话记录丢失：确认导出机制是否在每个阶段结束触发，而非依赖会话结束自动保存。
• 长文档校验流于形式：多因基础文档过于简略，AI无足够依据比对；应先补全设定文档再校验。
• 聚合分析结论空泛：检查记录字段是否统一，时间窗口是否明确，范围过宽会导致结论稀释。

八、优化建议

• 性能：控制单次读取文件数量，按主题分目录，减少无关上下文占用。
• 安全：知识库目录纳入版本控制，敏感信息不入库；对写入操作设置审批环节。
• 稳定性：约束文件保持小而稳定，频繁改动会让AI行为漂移。
• 可维护性：统一文档命名与字段规范，定期清理过期草稿。
• 成本控制：优先让AI读取摘要或索引文件，再按需展开原文，降低上下文消耗。

九、总结

本教程围绕“把终端型AI工具改造成长期协作助手”这一目标，给出了目录隔离、约束文件、记录留存、多模态补齐、三类场景闭环、验证与排查的完整路径。关键不在工具本身，而在于把状态外化为文件、把规则固化为文档、把校验设计成流程。后续可继续关注的方向包括：更细粒度的检索策略、记录格式的标准化，以及多模态环节与主流程的更紧密衔接。