提升智能体能力

保持环境与团队同步

• 包含：语言版本、依赖项、pre-commit hooks、CI 检查——避免"在智能体环境中通过，在本地机器上失败"的情况
• 使用 .envrc / .bashrc / 自定义脚本，让智能体一进入环境就准备就绪

构建自定义 CLI 工具和 MCP 能力

• MCP 用于接入第三方工具，CLI 用于高频内部操作（例如，给智能体一个脚本，只需传入 Linear Ticket ID 即可拉取关键信息）
• 将复杂工作流抽象为"稳定的黑盒工具"——例如，只输出第一个失败的测试并附带详细错误信息，迫使智能体专注于一个问题，从而提高成功率

如何为智能体构建工具

Writing Effective Tools for Agents

• 为智能体而设计，而不仅仅是 API — 创建与工作流对齐、面向任务的工具，而非底层原始端点
• 更少、更好、更有主见的工具 — 优先打造整合度高、杠杆效应强的工具，隐藏多步骤逻辑并返回精选结果，最小化工具数量，最大化任务覆盖率
• 清晰的命名空间 — 使用清晰的命名空间（按服务或资源划分），使工具意图一目了然，因为工具名称是智能体推理界面的一部分
• 返回高信噪比、人类可读的上下文 — 提供名称、标题、摘要和简短描述，而非 UUID 或晦涩的 ID；如果 ID 对于链式调用是必要的，则提供模式（如 CONCISE 与 DETAILED）
• 优化 token 效率 — 使用过滤、搜索代替列举、分页以及带指引的截断，保持输出精简且相关
• 让错误和截断具有可操作性 — 提供具体、可操作的错误信息，以及如何优化查询的清晰指引
• 对工具描述进行提示词工程 — 将工具描述和 schema 视为为新员工准备的入职文档，明确解释用途、输入和输出
• 用智能体来评估和改进工具 — 构建真实的评估任务，衡量任务成功率、工具调用次数、token 用量和错误率；利用智能体记录来识别困惑和误用
• 设计工具以减轻认知负担 — 创建能折叠多步推理、预先关联、预先过滤和预先汇总的工具，降低智能体的认知负荷

持续扩展智能体的知识库

• 使用 .rules / .md / 内置知识系统来记录团队"不成文的规则"——包括项目架构、常见测试方法、重要命令、推荐工具链
• 为常见任务编写"标准操作流程"——例如，在添加新路由时，记录每个必须修改的前端和后端位置，使该类任务完全可委托给智能体
• 在提示词中明确提供链接/文档，并指示智能体将其视为最权威的信息来源

---

现代（AI 增强）终端

• AI 增强的命令行
• 使用智能体进行终端自动化
• 脚本 + 推理循环

---

下一步： 本章所有内容都关于个人精通。但当整个团队采用这些工具时会发生什么？在第四章：与编程智能体一起进行团队开发中，我们将解决 AI 加速的开发者需要协同工作时出现的协调挑战——共享上下文、大规模代码审查，以及在输出量激增时保持高质量。