夜雨聆风
很多团队接入AI后遇到一个悖论：你给AI的上下文越多，它越容易读不完、读偏、忘掉重点。Flow2Spec的解法是：别给AI塞文档，让项目自己"长出"知识图谱。
一、你的AI是不是也这样？
你精心写了一份项目文档，让AI先读再干活。结果：
AI读了一半就开始写代码，漏掉了关键约束 你加了更多规则，AI反而更混乱了 改完代码后，文档和代码对不上了
问题不是AI不够聪明，而是你给它"知识"的方式不对。
二、Flow2Spec是什么？
Flow2Spec是一个让项目在开发过程中自然长出知识图谱的Agent工程框架。
核心思想：知识不是一次性建设出来的，而是在需求澄清、技术方案、代码实现、修复问题的过程中逐步长出来的。
三、关键差异：开发过程生成知识图谱
普通方案：先写文档 → 让AI读文档 → AI干活 Flow2Spec：AI干活 → 知识自动沉淀 → 下次复用
具体流程：
初始化空骨架 真实需求来了，Agent按现有知识路由 功能实现后，把本轮确认的事实同步回知识库 下一次类似需求，从这份知识中渐进读取
知识不是一次性建设出来的，而是在开发过程中逐步长出来的。
四、知识库不是一个大文档，而是一套路由协议
Flow2Spec的知识库结构：
.Knowledge/ manifest-routing.json # 机读路由清单 matchers/ # 关键词分片 topics/ # 主题摘要 stock-docs/ # 已落地能力长文档 req-docs/ # 需求/技术方案文档Agent的读取顺序不是自由发挥，而是按协议走：先读路由清单 → 匹配关键词 → 读取主题摘要 → 检查依赖 → 验证是否足够 → 执行或澄清。
这套结构的价值在于：知识库对Agent暴露的不是"文件"，而是"怎么找到正确知识"的接口。
五、渐进式读取：AI每次只拿该拿的知识
Flow2Spec的读取模型可以概括成四步：
match：先缩小候选范围，不遍历整个知识库 expand：命中主主题后，继续读取依赖主题 verify：检查当前知识是否真的覆盖用户问题 act：只有在知识覆盖足够时才执行
这意味着：AI每次只读取它需要的知识，不会被无关信息干扰。
六、知识库正确性：不是写了就算完
知识库最怕两件事：过期和写错。
Flow2Spec的解法：
Agent从源码里找到新知识后，会判断是否应该反哺回知识库 如果知识不够细，会提示用 f2s-kb-distill把本轮问答提取入库提交代码前会检查知识覆盖，确保"改代码后知识一起更新"
这意味着：知识库不是一次性建设的，而是在开发过程中持续进化的。
七、和普通知识库最大的区别
普通知识库：给Agent查的 Flow2Spec的知识库：给Agent参与维护的
普通知识库关注：文档放在哪里、怎么检索、怎么总结。
Flow2Spec更关注：需求来了该读哪个主题、主题之间有什么依赖、当前知识是否足够执行、源码兜底后是否要反哺、改代码后知识是否一起更新。
八、一个真实的开发闭环
使用Flow2Spec后，一个需求是这样流动的：
用户提出需求 意图识别：判断是新增能力、修复问题还是需求澄清 需求澄清：反问到无歧义 生成技术方案 渐进式读取知识库 实现代码 同步新知识 提交前检查
每一步都会留下可追踪的资产：需求文档、已落地知识、主题摘要、路由关系、任务进度。
写在最后
Flow2Spec的核心洞察是：项目知识不能只靠"写下来"，还要能被路由、被组合、被校验、被持续更新。
它不是让AI单次回答更好，而是把一次次开发过程转化为项目知识图谱的增量更新。
对开发者来说，这意味着：你的项目会越用越聪明，AI会越来越了解你的项目。
你有没有遇到过AI"读不完文档"或"忘记规则"的问题？ 欢迎在评论区分享你的经验。