最近几个月一边写AI相关的项目一边摸各种技术，攒了一堆零散的感悟和踩坑总结，没有特别成体系的大主题，都是平时记在笔记里的碎点，整理出来反而发现各个领域的思路其实是通的。

读开源代码，先放弃逐行啃

之前读开源项目总喜欢从第一行代码开始逐行往下翻，拼拼图不看封面，只盯着单个拼图块看，最后看了几千行还是不知道整个系统到底是怎么跑起来的。
后来试了一套反常识的方法，效率直接翻了好几倍：先把项目全景地图拿到手，把核心功能跑通用一遍，再用AI梳理整体架构、核心调用链路、每个模块的边界定位，最后再动态打断点跟着调用链一步步走，把零散的模块串进主链路里。
最核心的一步是看完之后自己动手复刻MVP，先定义最小可行产品，砍掉所有非必要功能，搭架子、跑通主流程、逐个填充模块，一步一验证，最后对比自己写的版本和原项目的设计差异，搞懂人家为什么那么写，比死啃三天源码有用得多。

前端开发最玄学的问题，90%能两行命令解决

最近写前端生图项目的时候踩了无数次白屏的坑，摸出来一个万能排障公式：页面出了莫名其妙的异常，先执行 rm -rf node_modules/.vite 清掉Vite构建缓存，再跑 npm run dev -- --force 强制启动不使用缓存，之后浏览器按 Cmd+Shift+R 硬刷新清掉浏览器缓存，90%的莫名其妙的白屏都能直接解决。
别上来就去改代码，很多时候根本不是你逻辑写错了，就是缓存在搞鬼。另外部署到GitHub Pages的时候一定要记得在vite.config.ts里把base设为’./‘用相对路径适配，不然部署上去打开全是404，找半天找不到原因。

自己从零实现BM25，反而是更可控的选择

之前做RAG项目的稀疏检索，我没有直接用ES原生的BM25，也没有直接引第三方BM25库，而是从0自己手写了一套简化版的打分逻辑，很多人问我为什么放着现成的轮子不用。
原因很简单：第一，我需要离线评测脚本和Java线上服务的打分逻辑100%对齐，自己实现同一套tokenizer、同一套打分公式，Python和Java跑出来的分数完全一致，评测才可信，用黑盒的ES原生BM25两边参数根本对齐不了；第二，我的Dense+Sparse+RRF融合需要每一步的分数和排名都可访问、可解释，ES原生搜索只给你最终结果，不给你中间的打分明细，出了问题根本没法排查。
最后我甚至主动砍掉了IDF和长度归一化的逻辑，只保留TF累加，虽然功能简化了，但所有逻辑都在我的掌控里，比用黑盒但不清楚里面发生了什么要可靠得多。技术选型不是功能越多越好，你能完全控制的简单方案，很多时候比你摸不透的复杂方案更靠谱。

Agent的记忆设计，完全可以抄操作系统的思路

之前总觉得Agent的长期记忆是很玄乎的东西，要搞什么复杂的向量检索算法，直到看到OpenClaw的四层记忆设计，瞬间反应过来这不就是把操作系统的存储体系直接搬过来了吗：

• Bootstrap Files 就是硬盘，存永久的身份和规则，永远不会被压缩
• Session Transcript 就是文件系统日志，完整对话历史全量落盘，永远不会丢
• Context Window 就是内存，只有当前需要用到的内容才放进来，满了就触发压缩淘汰旧内容
• Retrieval Index 就是搜索引擎，不常用的内容存在这里，需要用的时候再按需加载进内存
  根本不需要什么花里胡哨的黑科技，操作系统几十年前就已经把这套多级存储的最优解跑通了，直接照搬过来就够用。

MCP和Skills是天然的互补搭档

刚接触MCP的时候我还以为它就是用来做工具调用的，后来才想清楚两者的分工：MCP是标准化的连接器，相当于JDBC对于数据库的作用，统一了LLM和外部工具、外部数据源之间的调用协议，不用每个工具都单独写一遍接入逻辑；而Skills是能力的打包单元，把一整套SOP、操作流程、约束规则封装成独立模块，按需加载。
两者搭配起来之后，你新增一个外部工具只需要加一个新的MCP Server，新增一个场景能力只需要新增一个Skill文件，完全不需要去改Agent的主流程代码，整个系统的扩展性直接拉满。

大模型训练不是一次性完成的，是互相进化的

之前我以为大模型训练就是先准备好一整个数据集，一次性跑完训练就完事了，后来才了解到现在的主流训练路径是闭环的：先做SFT让模型学会基础指令遵循，再用GRPO强化学习优化推理能力，最后做多场景RL提升泛化和安全性。
整个过程不是「先准备数据→一次性训练模型」，而是训练模型→用更强的模型生成更好的数据→再训练模型→模型更强→再生出更高质量的数据，这样的闭环让模型和数据共同进化，完全避免了初始低质量数据拖后腿的问题。
很多技术其实底层思路都是通的，不管是写代码、做AI系统还是学新东西，小步迭代、慢慢优化、每一步都有正反馈，永远比想着一口吃成胖子靠谱得多。