springboot球队训练信息管理系统（11689）
2026/1/13 20:14:09
本文介绍了开源项目planning-with-files，它实现了类似Manus的上下文工程原则，通过task_plan.md、notes.md和[deliverable].md三个核心文件，帮助AI实现文件作为单一真理来源、状态显式化、上下文极简主义等理念。作为Claude Code Skill，该项目能有效解决大模型上下文丢失和目标漂移问题，让AI在复杂任务中保持清晰思路和可恢复性，是开发者构建高效AI Agent的重要工具。
这个叫 planning-with-files 的开源项目非常之火，现在搞 Agent 的开发者一定要仔细学习一下。
开源几天就六七千的 Star 了。
他教你使用 Claude Code Skill 实现 Manus 类似的上下文工程。
01
Manus 的上下文工程原则
之前 Manus 公布过自己产品在实践的上下文工程原则，我根据自己的记忆来简单总结一下，简单而言就是：
① 文件即单一真理来源
打破 AI 的记忆主要依赖对话历史的传统做法，信任文件。主要是因为对话历史是线性的、嘈杂的，且包含大量过时的纠错信息。
而文件是经过整理的、当前的「最新状态」。
AI 每次行动前，应该主要读取这些文件，而不是回溯几千行的聊天记录。这确保了 AI 永远基于当前最准确的状态行动。
② 状态显式化
如果你用过 Manus ，会发现他有一个 ToDo 文件，明确记录着：[x] 步骤1、[ ] 步骤2。这被称为外部化记忆。
即使此时你关闭终端、重启电脑，AI 再次启动时读取文件，立刻就能知道进度条在哪里，实现了完美的可恢复性。
③ 上下文窗口极简主义
不把所有相关文件、所有历史对话都丢给 AI，只喂给 AI 当前步骤必要的信息。
上下文越长，AI 的注意力越分散。
通过将信息拆分到 notes.md、plan.md 和 output.md，AI 在执行某一步时，只需要读取相关的片段，保持大脑清醒，Token 消耗也更少。
④ 思考与行动分离
不让 AI 在一次回复中同时进行思考、规划和写代码，而是让 AI 先想，再做。
强制 AI 先在一个 Notes 上写下它的调研结果、架构思路，确认无误后，再去修改正式的代码文件。
这避免了 AI 写到一半发现思路错了导致代码库被污染的情况。
⑤ 围绕 KV-Cache 进行设计
由于 Agent 任务通常呈现长输入、短输出的特征，如果不能有效利用 KV-Cache，成本和延迟将无法承受。
所有的 Prompt 设计都要为缓存命中率让路。
要保持前缀稳定，不能在 System Prompt 或前置上下文中放入动态内容，这会导致后续所有缓存失效。
只追加不修改： 历史交互记录一旦生成，就不要再去修剪或改写。
确定性序列化： JSON 对象的 Key 排序必须固定，确保相同的状态永远生成完全相同的字符串。
⑥ 掩码而非移除工具
随着 Agent 能力增强，工具库会变得巨大。一种直觉的做法是动态移除当前不需要的工具描述以节省 Token，但这被 Manus 视为错误。
动态移除工具会破坏 KV-Cache，因为工具定义通常在 System Prompt 中，且会导致模型在看到历史记录中调用了不存在的工具时产生困惑。
保留所有工具定义，始终将完整工具集留在 Context 中。
在解码阶段（Decoding），通过修改 Logits（概率分布）来屏蔽当前不合法的工具。
例如，强制模型只能选择“回复用户”而不能调用“浏览器”，是通过在底层屏蔽 Token 实现的，而不是修改 Prompt。
博客地址：https://manus.im/zh-cn/blog/Context-Engineering-for-AI-Agents-Lessons-from-Building-Manus上面就是 Manus 分享的上下文工程的实践，有一个核心的观点就是：
对话流（Chat）只适合短暂的指令交互，而文件系统（FileSystem）才是智能体（Agent）长期记忆和复杂推理的最佳载体。
02
项目简介
说回开源项目 planning-with-files，它的核心理念也是：使用文件进行规划。
开源地址：https://github.com/OthmanAdi/planning-with-files安装这个 Skill 后，Claude 会自动维护三个核心文件，这也是它被称为 Manus 风格 工作流的原因）：
① task_plan.md
记录当前任务的目标、拆解的步骤、已完成的进度、下一步要做什么。
好处：AI 每做一步之前，都会先读这个文件，确保自己不迷路。
② notes.md
存放调研资料、中间代码片段、临时的想法或长文本。
能够保持对话窗口干净，避免因为塞入太多无关细节而把 AI 搞晕。
③ [deliverable].md
最终生成的代码、文章或报告。这是纯净的输出结果，不包含思考过程。
说白了，这个开源项目就是一个给 AI 安装外挂大脑的插件。
它通过强制 AI 使用本地文件来记录进度和思考，解决了大模型聊久了就忘事，这种上下文丢失获目标漂移的痛点
如何使用
这个项目本质上是一个 Claude Code Skill，你需要先安装 Claude Code，然后通过命令安装此 Skill。
/plugin marketplace add OthmanAdi/planning-with-files /plugin install planning-with-files@planning-with-files在 Claude Code 中，当你要求它规划一下这个任务或者提到 planning 时，它就会自动创建 task_plan.md 并进入这种高智商工作模式。
如何系统的学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
01.大模型风口已至：月薪30K+的AI岗正在批量诞生
2025年大模型应用呈现爆发式增长，根据工信部最新数据：
国内大模型相关岗位缺口达47万
初级工程师平均薪资28K（数据来源：BOSS直聘报告）
70%企业存在"能用模型不会调优"的痛点
真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！
02.大模型 AI 学习和面试资料
1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工
📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。