AGEAttractor Guided Engineering是我在开发nop-chaos-flux过程中形成的一套 AI 原生工程方法论。https://github.com/entropy-cloud/nop-chaos-flux是一个完全由 AI 主导开发的大型前端框架型项目。与一般的Harness方法论不同AGE的思想来源是数学物理中的动力系统受控收敛图像因此它的引入相比于一般基于经验积累的方法论总结带有明显的创新性。AI大模型在直接阅读AGE相关的文档和实践时经常会抓不住重点频繁的回落到自己更熟悉的工程语言中比如把吸引子理解成边界、护栏或更强的约束把 skill 理解成知识组织的主载体把信息形式问题理解成“是否统一 spec”把 plan 理解成执行清单或审批页把 logs、bugs、history 理解成事后留档而不是系统收敛机制的一部分。但真正的重点并不是这些。1. AI 是高频随机扩张力系统必须具备内生收敛力AI 在工程系统中更像一种高速、带随机性的扩张力量。若要让它持续参与系统演化而不导致整体漂移收敛力就不能寄希望于模型自身而必须内在于 Agent 文档 代码 验证/审计/记忆机制 组成的整体系统之中。也就是说真正让系统稳定收敛的不是 AI 自发的方向感也不是个别人脑中未外化的架构判断而是 这个扩展认知系统所提供的结构性地形。2. 通用 skill 不能替代项目特定的吸引子通用 skill 最多掌握任务类型或领域内的通用知识但通常缺少对“这个项目为什么这样设计”的理解尤其缺少对项目定位、架构取舍、设计哲学、宏观原则、历史包袱和当前基线的把握。因此它不足以形成项目特定的吸引子。当系统只能拿到大量缺乏权威层级、proof relation 和 precedence 约束的信息时信息增多反而会放大冲突并增加系统不稳定性。真正需要的不是通用架构套话也不是某种八股化目录结构而是该项目自身特定的设计思想、语义权威链和长期收敛方向。吸引子引导的实质不是“把架构写清楚”而是把项目特定的设计思想、宏观原则、权威关系、证明链、历史否定空间组织成一个能持续塑造后续演化趋势的系统结构。也就是说吸引子不是一份文档而是一个被多种仓库制品共同承载的稳定收敛拓扑。3. 信息本体不依赖形式但形式影响智能计算效能信息本身与形式无关同一语义可以存在于文档、代码、测试、DSL、日志等不同载体中。但形式会显著影响智能计算的效率、稳定性和歧义率。因此问题不在于是否必须采用统一 spec而在于信息组织方式是否贴合领域逻辑。相比将知识拍平成固定格式的平面列表更好的做法通常是按领域概念、语义关系和权威层级独立整理并通过链接建立拓扑结构。领域特定的表达更有潜力实现高效的信息组织与语义传递。重点不是“形式统一”而是“结构服从于领域”。4. Plan 是局部收敛闭环必须接受外部审计Plan 的作用不是充当会话中的临时草稿而是作为某一轮局部变更的验证闭环与收敛机制这次为什么要动、边界在哪里、什么才算真正闭合、还剩哪些后续义务。正因为如此Plan 本身以及 Plan 的执行结果都应接受强制性的外部审计避免“实现者自己定义完成、再自己宣布完成”的自我验证陷阱。至于 Plan 的具体结构不必绝对统一可以根据项目复杂度、任务风险和 AI 当前可靠性动态调整例如是否引入 skill 选择审查、closure gate 强度如何设定等。5. 轨迹是核心对象轨迹挖掘是未来收敛力的生成机制动力系统视角中一个极其关键但常被忽略的对象是轨迹。大多数实践仍然停留在任务驱动任务完成了脚手架似乎就没有用了历史是否保存也无所谓。这正是常见的盲点。仅仅关注单次任务是否完成是不够的更重要的是持续记录系统演化轨迹。轨迹的意义不只是记录过去发生了什么而是从系统历史中持续提取趋势性信息和周期性信号例如哪些误解在反复出现哪些局部正确在累积成方向错误哪些审计误报在浪费系统预算哪些设计债会周期性回潮哪些临时修补总会重新长成结构性问题。这些轨迹信息不应在任务结束后被丢弃而应被进一步蒸馏为倾向性的审计提示词、校准规则、规范性文档补丁或约束性文档增量从而形成越来越强的收敛力量。相比当前普遍仍停留在任务驱动的实践轨迹挖掘代表的是从“完成任务”转向“塑造长期受控演化”的升级。结论AI 负责扩张项目特定吸引子负责定向Plan 负责局部闭环轨迹挖掘负责持续增强收敛力而这一切都应建立在符合领域语义拓扑的信息组织之上而不是依赖通用 skill 或固定模板。吸引子引导解决的是系统长期往哪里演化轨迹挖掘解决的是系统如何从自己的历史中持续生成更强的收敛力这两者加起来AGE 才真正超过了一般的 skill、guardrail、workflow、review-agent 叙事。参考AGE Template: https://github.com/entropy-cloud/attractor-guided-engineering-template《Attractor Before Harness: AI 大规模开发的方法论》《从 Spec-Driven Development 到 Attractor-Guided Engineering》《为什么 Attractor Guided Engineering 不能被降级为 AI Agent Skill》《控制层和方向层的分野OpenProse、NLAHs 与 AGE》 吸引子引导与轨迹挖掘：AI Native Engineering 的收敛机制
AGEAttractor Guided Engineering是我在开发nop-chaos-flux过程中形成的一套 AI 原生工程方法论。https://github.com/entropy-cloud/nop-chaos-flux是一个完全由 AI 主导开发的大型前端框架型项目。与一般的Harness方法论不同AGE的思想来源是数学物理中的动力系统受控收敛图像因此它的引入相比于一般基于经验积累的方法论总结带有明显的创新性。AI大模型在直接阅读AGE相关的文档和实践时经常会抓不住重点频繁的回落到自己更熟悉的工程语言中比如把吸引子理解成边界、护栏或更强的约束把 skill 理解成知识组织的主载体把信息形式问题理解成“是否统一 spec”把 plan 理解成执行清单或审批页把 logs、bugs、history 理解成事后留档而不是系统收敛机制的一部分。但真正的重点并不是这些。1. AI 是高频随机扩张力系统必须具备内生收敛力AI 在工程系统中更像一种高速、带随机性的扩张力量。若要让它持续参与系统演化而不导致整体漂移收敛力就不能寄希望于模型自身而必须内在于 Agent 文档 代码 验证/审计/记忆机制 组成的整体系统之中。也就是说真正让系统稳定收敛的不是 AI 自发的方向感也不是个别人脑中未外化的架构判断而是 这个扩展认知系统所提供的结构性地形。2. 通用 skill 不能替代项目特定的吸引子通用 skill 最多掌握任务类型或领域内的通用知识但通常缺少对“这个项目为什么这样设计”的理解尤其缺少对项目定位、架构取舍、设计哲学、宏观原则、历史包袱和当前基线的把握。因此它不足以形成项目特定的吸引子。当系统只能拿到大量缺乏权威层级、proof relation 和 precedence 约束的信息时信息增多反而会放大冲突并增加系统不稳定性。真正需要的不是通用架构套话也不是某种八股化目录结构而是该项目自身特定的设计思想、语义权威链和长期收敛方向。吸引子引导的实质不是“把架构写清楚”而是把项目特定的设计思想、宏观原则、权威关系、证明链、历史否定空间组织成一个能持续塑造后续演化趋势的系统结构。也就是说吸引子不是一份文档而是一个被多种仓库制品共同承载的稳定收敛拓扑。3. 信息本体不依赖形式但形式影响智能计算效能信息本身与形式无关同一语义可以存在于文档、代码、测试、DSL、日志等不同载体中。但形式会显著影响智能计算的效率、稳定性和歧义率。因此问题不在于是否必须采用统一 spec而在于信息组织方式是否贴合领域逻辑。相比将知识拍平成固定格式的平面列表更好的做法通常是按领域概念、语义关系和权威层级独立整理并通过链接建立拓扑结构。领域特定的表达更有潜力实现高效的信息组织与语义传递。重点不是“形式统一”而是“结构服从于领域”。4. Plan 是局部收敛闭环必须接受外部审计Plan 的作用不是充当会话中的临时草稿而是作为某一轮局部变更的验证闭环与收敛机制这次为什么要动、边界在哪里、什么才算真正闭合、还剩哪些后续义务。正因为如此Plan 本身以及 Plan 的执行结果都应接受强制性的外部审计避免“实现者自己定义完成、再自己宣布完成”的自我验证陷阱。至于 Plan 的具体结构不必绝对统一可以根据项目复杂度、任务风险和 AI 当前可靠性动态调整例如是否引入 skill 选择审查、closure gate 强度如何设定等。5. 轨迹是核心对象轨迹挖掘是未来收敛力的生成机制动力系统视角中一个极其关键但常被忽略的对象是轨迹。大多数实践仍然停留在任务驱动任务完成了脚手架似乎就没有用了历史是否保存也无所谓。这正是常见的盲点。仅仅关注单次任务是否完成是不够的更重要的是持续记录系统演化轨迹。轨迹的意义不只是记录过去发生了什么而是从系统历史中持续提取趋势性信息和周期性信号例如哪些误解在反复出现哪些局部正确在累积成方向错误哪些审计误报在浪费系统预算哪些设计债会周期性回潮哪些临时修补总会重新长成结构性问题。这些轨迹信息不应在任务结束后被丢弃而应被进一步蒸馏为倾向性的审计提示词、校准规则、规范性文档补丁或约束性文档增量从而形成越来越强的收敛力量。相比当前普遍仍停留在任务驱动的实践轨迹挖掘代表的是从“完成任务”转向“塑造长期受控演化”的升级。结论AI 负责扩张项目特定吸引子负责定向Plan 负责局部闭环轨迹挖掘负责持续增强收敛力而这一切都应建立在符合领域语义拓扑的信息组织之上而不是依赖通用 skill 或固定模板。吸引子引导解决的是系统长期往哪里演化轨迹挖掘解决的是系统如何从自己的历史中持续生成更强的收敛力这两者加起来AGE 才真正超过了一般的 skill、guardrail、workflow、review-agent 叙事。参考AGE Template: https://github.com/entropy-cloud/attractor-guided-engineering-template《Attractor Before Harness: AI 大规模开发的方法论》《从 Spec-Driven Development 到 Attractor-Guided Engineering》《为什么 Attractor Guided Engineering 不能被降级为 AI Agent Skill》《控制层和方向层的分野OpenProse、NLAHs 与 AGE》 RELATED READING
延伸阅读
更多一线实战笔记与深度复盘，助您持续精进
