我让AI助手自己'记日记',结果它把8个任务全推进了

我让AI助手自己"记日记"，结果它把8个任务全推进了

一个工程人的AI协作实验：当你的助手能跨会话记忆、自动追踪任务、遇到阻塞主动排查——项目推进会变成什么样？

起因：每次对话都从零开始

作为一个同时干着监理工程师 + 公众号运营 + AI工具开发的人，我每天要在多个项目之间来回切换。

以前用AI助手的痛点很明确：

每次新对话，它不知道上次做到哪了
重复交代背景，浪费时间
多个任务并行时容易漏项
遇到问题它只会说"请提供更多信息"

直到我给AI配了一套工作记忆系统。

系统长什么样

这套系统核心就三样东西：

1. 工作日志（Daily Log）

每个工作日一个Markdown文件，记录当天做了什么、卡在哪、下次怎么继续。

# 2026-05-25 工作日志

### ✅ #1 文章P0修复 — 已完成
- 问题定位：base64内联导致payload 5.8MB超微信限制
- 解决：压缩图片上传素材库获取CDN URL，payload降至146KB
- 结果：成功推送，media_id: mjAWP7Lm...

### ⏳ #2 GitHub Token — 阻塞中
- gh auth status: Token invalid
- 目标：发布 "64 Skills" 仓库

关键点：不是备忘录，是可执行的上下文。

每条记录包含：做了什么 → 怎么做的 → 结果如何 → 下一步是什么。下次对话AI读这个文件就能无缝衔接。

2. 任务追踪（Task Board）

把待办变成结构化任务卡片：

任务	状态	说明
#1 文章P0修复	✅ 完成	封面+配图+草稿
#2 GitHub Token	⏸ 阻塞	需手动刷新
#3 视频API排障	✅ 完成	HappyHorse缺api_key
#4 DDC稿件完善	✅ 完成	T-15/T-16/T-17
#5 Horses素材归档	✅ 完成	8匹马已归档
#6 流水线框架	✅ 完成	540行Python

AI在执行过程中实时更新状态——开始做标记in_progress，做完标记completed。不会漏项，也不会重复劳动。

3. 技能沉淀（Skill Accumulation）

这是最被低估的部分。

每当AI解决了非 trivial 的问题（比如刚才修了微信发布的凭证路径bug），它会自动把解决方案写��Skill文件。下次遇到同样的问题直接调用，不用重新排查。

就像这次修的三个Bug：

Bug 1 — 凭证找不到

错误：微信凭证未找到，请检查 aws.env
原因：load_env_credentials() 的路径列表不含实际位置
修复：新增 D:\1052-OS\skills\aws-wechat-article-main\aws.env

Bug 2 — Token请求404

错误：HTTP Error 404: Not Found
原因：代理端点用了 /cgi-bin/token，正确是 /wxapi/cgi-bin/token
修复：参考已验证的 republish_v3.py 修正路径

这些修复合集，就是下一次遇到同类问题的"标准答案"。

实际效果：一次session的真实数据

今晚这个session，我从恢复上次的进度开始，到推进完所有可执行任务，全程没有重复交代背景。

具体数据：

Session 时长: ~25分钟
任务总数:     8个（6个历史 + 2个新增）
完成数量:     7/8 (87.5%)
唯一阻塞:     GitHub Token需手动刷新
代码修改:     2处（pipeline.py + config.json）
文章发布:     1篇（GitHub Trending热榜）

更有意思的是排障过程。当我运行流水线的 --mode publish 测试时��连续遇到两个错误：

第1次: 微信凭证未找到
  ↓ 自动定位到aws.env实际位置，修复路径列表
第2次: HTTP 404 token请求失败  
  ↓ 对比已成功的republish_v3.py，发现差了/wxapi前缀
第3次: 发布成功！media_id: mjAWP7Lm...NXRy

整个过程我没写一行代码。AI自己读代码、对比差异、定位根因、修复、再测试。

这套系统的设计原则

如果你也想给自己的AI助手搭类似体系，几个关键点：

原则1：记忆要"可执行"

不要写成流水账。"今天做了XXX"这种描述对AI没用。要写成带状态的结构化记录：

❌ 今天试着发布了文章，好像失败了
✅ 发布失败：payload 5.8MB超微信45002限制
   原因：base64内联4张大图
   方案：压缩→上传素材库→CDN引用
   状态：待执行

后者让AI知道问题是什么、方案是什么、该干什么。

原则2：阻塞项要明确标注

不是所有任务都能AI自主完成。有些需要你介入（比如刷新Token、手动确认操作）。

系统里用 ⏸ 阻塞 标记，并精确说明需要你做什么：

⏳ GitHub Token刷新 — 需用户操作
→ 请执行: gh auth login -h github.com
→ 完成后告知: 我立即创建仓库并推送

这样你回来一看就知道：哪些我做完了，哪个需要你花30秒处理一下。

原则3：技能要自动沉淀

不要指望AI"记住"所有经验。要让它显式地写下来。

我的规则是：任何超过8步的操作、或解决的非平凡bug，都必须写入Skill文件。这不是额外负担，而是为未来的自己省时间。

原则4：极简交互

这套系统的终极目标是减少你和AI之间的来回沟通成本。

理想状态：

你："继续上次的工作"
AI：读取记忆 → 恢复上下文 → 推进任务 → 遇阻塞才问你
你：只在真正需要决策的时候出现

对工程人的启示

我们工程行业的人习惯用WBS、甘特图、施工日志来管理项目。

其实AI协作也是一样的道理：

工程管理	AI协作对应
施工日志	每日工作记忆(Daily Log)
WBS任务分解	TaskCreate/TaskUpdate
技术交底/方案库	Skill技能沉淀
例会汇报	Session结束时的状态总览
监理通知单	阻塞项标记 + 明确行动指令

本质是一样的：通过结构化的信息流转，让多方（或多次对话）之间保持一致的状态认知。

只不过传统工程里"多方"是人与人，这里是你和你的AI助手。

最后

这套系统不是什么黑科技。它就是把工程管理的常识应用到了AI协作上。

写日志、追踪任务、沉淀经验、明确责任边界——这些我们在工地上天天做的事，换了个场景一样管用。

唯一的区别是：这次你的"施工队"是一个24小时在线、不会忘记上次说了什么、而且越用越懂你的AI。

*如果你也在用AI工具辅助工作，欢迎交流你的协作模式。*

*"工程人的智库" — 工程人的AI效率实验系列*