前言

两年前，我对 AI 的看法与现在完全不同。那时的 AI 还停留在单纯的聊天对话，个人层面的帮助几乎为零。因为大模型的快速迭代，出现了 Cursor、Windsurf、Copilot 等工具。虽然能辅助源码阅读，但真正干活仍然困难。如今AI 与 Agent 的环境已趋成熟，可直接用于生产力工作。

为了跟上时代。我在 某年某月 开始深度使用 AI Agent，并逐步搭建自己的工作流。这篇文章记录了我从最初接触到实现高效编程助手的探索历程。并把遇到的痛点一一列出，希望能帮助正在或即将踏入此领域的人。

初始接触

最开始。我想用 VSCode 插件 Cline 配合 DeepSeek 重构公司旧项目，以验证 Agent 在实际编码中的价值。DeepSeek 之所以选用：国内友好、价格低廉，而且近期频繁登上热搜。

只是计划赶不上变化——我经常在电脑里清理缓存、卸载残留程序，正是这些琐碎任务让我想到可以让 Agent 先行排查。于是我尝试了 Hermes Agent。只做程序排查和本地模型跑通，尚未进入编码阶段。

此时我对大模型与 Agent 的能力边界还不够清晰，也未发现其短板与优势。

自用 Utility 软件

日常工作中，我需要翻译、拖拽暂存和剪切板管理等小功能。行业市场上往往有专门的软件，但各个功能拆散成单独程序，整体体验不佳。我决定用 Agent 来开发一个轻量级且整合所有功能的工具。全部使用原生 Swift 编写，仅让 Agent 执行需求规划、审查计划、代码生成等任务。其实，

1. 长上下文丢失: 在多轮对话后上下文被污染；话说回来，关键信息被遗忘或被错误重写。
2. 强缓存: Agent 过度依赖记忆，而非实际文件内容；手动修改后它仍以旧记忆覆盖新文件。
3. 跨会话理解缺失: 上一次会话写出的代码。在下一次会话中无法识别，导致误改。
4. 全局掌控力丢失: 长篇讨论时只关注局部代码；完成相似需求时没有全局视角进行封装或复用。
5. 极度自信: 在调试过程中倾向于信任模型猜测，而非实测结果；多轮对话后仍停留在猜测阶段。
6. 文专属问题: DeepSeek 缺乏多模态支持；UI 调整需反复细化描述才能满意。

痛点   

• 上下文维护：采用分段交互或保存关键状态，以避免信息遗失。
• 记忆同步：引入外部持久化层。对比文件哈希确认是否已被手动改动，再决定是否覆盖。话说回来，
• 跨会话连贯性：将前一次输出存为“知识库”。并在新会话开始时加载相关片段。
• 全局视野：在规划阶段加入“模块化”思考，让 Agent 明确重构原则而非仅满足当前需求。
• 调试环节：集成自动单元测试，让模型在提交前先验证其正确性。其实，
• 多模态协同：`DeepSeek` 可配合图像描述 API。实现 UI 设计辅助，

Coding Agent 与 Claude Code 的使用

I 咨询 Hermes Agent 关于通用 Agent 与 Coding Agent的区别。说起来，在对上述痛点的分析后我得到了四层差异架构：代码检索层、项目记忆层、上下文编排层和编辑基元层。这让我意识到，真正提高编码效率。需要让代理具备向量索引与项目语义解析能力.

项目记忆层 上下文编排层 编辑基元层 - 自动推导架构理解 - 增量更新 - 跨会话持久化 - 分层优先级 - 动态检索 - 编辑前校验 - 结构化 diff 应用 - 多文件协同编辑 - 语法感知 patch

四层差异架构示意图
代码检索层
- 嵌入向量语义搜索 - AST 解析 → 符号索引 - BM25 搜索 - 调用链/依赖图遍历

CodingAgent 和 Claude Code 在编码能力上有所提高，但它们缺乏完整的向量索引机制；许多痛点并未得到根本解决。我意识到要发挥 AI Agent 潜力，需要建立自己的向量数据库与项目语义索引程序.

MCP 协议与共享记忆体的使用

MCP是我为解决“记忆碎片”和“资源分散”问题而设计的一套协议。用于统一管理不同代理之间的数据源，并提供共享记忆体服务。至于主要目标是，当多个 agent 并行工作时都能访问同一份可靠数据。不再因为卸载或方法变更而丢失关键信息。

MCP 共享记忆体/知识库设计理念

• 双热冷分离结构：
  • 说到热层。高频访问的数据，例如最近修改过的函数签名、错误日志等，以数据库方式存储。
  • 至于冷层。长期保存但不常访问的数据，如历史版本备份，可压缩存档到磁盘或云端。
• 关键工具暴露给所有 agent：
  • 再看写入工具。统一接口，将新知识推送至热/冷两层；说起来，支持增量更新及冲突检测。按理说，
  • 从搜索工具来看。支持向量检索+ BM25 混合查询，以获取相关代码片段或方案。
  • 最近记忆获取器：返回最近 N 条交互记录，用于快速回溯上下文。

使用者痛点 聚焦   

• 说到痛点1。 对话中产生的关键想法若仅保存在临时内存，一旦代理重启就全部消失。
• 说到痛点2。 不同代理分别维护自己的 System Prompt 与 Tool 文件，导致资源冗余且难以统一管理。
• ="" 从痛点3来看，当团队成员需要共享同一份经验库时没有统一入口导致协作效率低下。

="" style="Font-weight:bold;Color : #009688;"> 痛点4的观点是，

 实际开发过程中。同一份代码可能被不同代理“抢占”，产生重复改动。

="" style="Font-weight:bold;Color : #009688;"> 痛点5的观点是，

 所有 agent 都需要重新生成相同功能代码，提高耗时。

•<-!

MCP 为上述痛点提供了方法：无论是临时想法还是长期经验，都能安全存档；资源统一入口消除冗余，一致性，靠团队协作可通过共享仓库。由于 MCP 提供了跨会话持久化与冲突解决机制，即使多个 agent 同时操作同一文件。也能保证结果符合全局一致性要求，从而明显提高生产力与可靠性.

---

。

---