1. 项目概述什么是 Learnship如果你用过 Claude Code、Cursor 或者 Windsurf 这类 AI 编程助手超过几次大概率会遇到一个让人抓狂的“失忆症”问题每次开启新对话AI 就像第一次见面一样完全不记得你项目的架构、你之前做的技术决策甚至是你刚刚才跟它讨论过的功能细节。你不得不一遍又一遍地重复背景信息项目稍微复杂一点代码质量和一致性就开始“自由落体”。你感觉自己不是在和一个“智能伙伴”协作而是在训练一个永远记不住事的金鱼。这就是“上下文丢失”的核心痛点。问题的根源往往不在于 AI 模型本身的能力而在于我们与它交互的“脚手架”或“马具”——也就是所谓的Agent Harness。你可以把 AI 模型想象成一匹千里马而 harness 就是缰绳、马鞍和地图。没有好的 harness再好的马也跑不远甚至可能把你带到沟里去。Learnship就是为了解决这个问题而生的。它不是一个全新的 AI 模型而是一个开源的、可移植的 Agent Harness 层。简单来说它是一套精心设计的“工作流引擎”和“上下文管理系统”架设在你的 AI 编程助手如 Claude Code, Windsurf, Cursor 等之上让 AI 能够真正像一个有记忆、有流程、有章法的“工程伙伴”一样与你协作。它的核心价值在于将一次性的、随机的“提示词工程”转变为一个可重复、可预测、可积累的工程化开发流程。通过 Learnship你和 AI 的协作不再是“即兴发挥”而是遵循一个清晰的“阶段循环”每个阶段都有明确的目标、输入和产出。更重要的是它通过自动生成和维护项目核心文档如AGENTS.md,DECISIONS.md为 AI 提供了持久化的项目记忆确保每次对话都建立在坚实的历史基础上。1.1 核心价值从“氛围编码”到“智能体工程”在 AI 编程的早期我们大多处于一种“氛围编码”的状态。你给 AI 一个模糊的想法它生成一堆代码你手动测试、修改、再提示整个过程充满了不确定性。代码能跑但你未必完全理解它为什么这么写这次成功了下次换个类似场景又得从头摸索。Learnship 倡导的是一种“智能体工程”的范式。它将软件开发中成熟的工程实践——如需求分析、设计评审、测试验证、知识沉淀——引入到 AI 协作中。下表清晰地展示了这两种范式的区别维度氛围编码智能体工程 (Learnship)上下文每次对话重置AI 从零开始通过AGENTS.md等文件持久化每次对话自动加载决策隐含在对话中极易遗忘记录在DECISIONS.md中AI 会主动遵守计划临时、模糊的提示词基于规格说明、可验证、按波次排序的详细计划执行一次性生成大量代码难以调试原子化提交一个任务一个提交便于回滚和审查验证手动、事后、不系统用户验收测试驱动AI 自动诊断问题并生成修复计划成果一堆能运行的代码你真正理解并可以复现的、高质量的交付物知识停留在对话历史里难以检索通过/compound等命令主动捕获形成可搜索的项目知识库简单来说Learnship 让你从“祈祷 AI 这次能蒙对”的被动状态转变为“引导 AI 系统性地构建可靠软件”的主动状态。它尤其适合那些希望用 AI 构建真实、可维护、可演进产品的开发者、创业者或技术团队。1.2 核心工作流七步阶段循环Learnship 的核心是一个精心设计的七步循环我称之为“阶段循环”。每一个功能或特性的开发都会完整地走一遍这个循环确保交付质量。阶段 1讨论命令/discuss-phase N这是编码前的对齐环节。你和 AI 会就第 N 个阶段要做什么、不做什么、技术选型、潜在风险进行深入讨论。AI 会基于项目已有的AGENTS.md和REQUIREMENTS.md来理解上下文并引导你做出明确的决策。这些决策会被自动记录到DECISIONS.md中。这一步至关重要它避免了“边做边想”导致的返工。阶段 2规划命令/plan-phase N讨论清楚后AI 会进入“研究员”模式。它会针对本阶段的目标进行领域研究如果配置开启然后生成一份详细的、可执行的PLAN.md。这份计划不是笼统的描述而是分解成具体的任务每个任务都有明确的输入、输出和验收标准。AI 还会进行“计划检查”确保计划是完整且可行的。阶段 3执行命令/execute-phase N规划完成后AI 切换为“执行者”模式。它会严格按照PLAN.md以“波次”为单位顺序执行任务。关键在于“原子化提交”每完成一个独立的小任务就做一次 Git 提交并生成清晰的提交信息。这带来了巨大的好处代码历史清晰可读任何时候都可以轻松回滚到某个中间状态也便于进行 Code Review。阶段 4验证命令/verify-work N代码写完了但还没完。这个阶段需要你——人类开发者——进行手动验收测试。你按照阶段目标去测试功能。如果发现问题就告诉 AI。AI 的“诊断者”人格会被激活它会分析问题根源并自动生成新的“修复计划”。然后你可以选择让 AI 执行这个修复计划。这个过程可以循环直到所有问题被解决。阶段 5审查命令/review在正式交付前进行一次多角度的代码审查。Learnship 的/review命令会让 AI 模拟多个审查角色如安全工程师、性能专家、新入职开发者等从不同视角审视代码提出改进建议。这相当于一次自动化的、初步的同行评审。阶段 6交付命令/ship一切就绪后/ship命令会运行一个完整的交付流水线运行测试套件、代码检查、生成符合规范的提交信息、推送到远程仓库甚至自动创建 Pull Request。它将零散的收尾工作自动化确保每次交付都符合标准。阶段 7沉淀命令/compound这是 Learnship 最具特色的环节。在解决问题或完成一个复杂模块后使用/compound命令。AI 会帮助你将刚刚获得的“隐性知识”——比如为什么选择这个库、遇到了什么坑、如何解决的——提炼成结构化的文档存入项目的知识库。这样未来的你或其他协作者就能轻松检索到这些经验避免重复踩坑。这个循环是 Learnship 的骨架它把一次性的 AI 交互变成了一个可积累、可改进的软件开发流程。2. 核心机制深度解析理解了“是什么”和“做什么”之后我们来看看 Learnship 是如何在技术层面实现这些能力的。这涉及到几个核心机制上下文工程、工作流引擎以及多智能体协作。2.1 上下文工程如何让 AI 不再“失忆”AI 模型的“失忆”本质上是上下文窗口的限制和缺乏持久化记忆。Learnship 的解决方案不是简单地塞给它所有文件而是采用了“渐进式披露”的策略。核心文件项目的“记忆中枢”当你运行/new-project初始化一个项目时Learnship 会在项目根目录创建几个关键文件它们共同构成了项目的“记忆中枢”AGENTS.md: 这是项目的“灵魂文件”。它包含了项目概述、核心原则、当前开发阶段、技术栈、项目结构以及已知的回归问题。在 Windsurf、Claude Code 等平台上这个文件会在每次对话开始时自动加载到 AI 的上下文中。这意味着 AI 从一开始就知道“我们在做什么项目”、“现在进行到哪一步了”、“我们用什么技术”。DECISIONS.md: 记录所有重要的架构和技术决策。每次使用/discuss-phase或/decision-log后相关的决策及其理由、备选方案都会被记录在这里。AI 在后续规划或执行时会参考这些决策确保技术路线的一致性。REQUIREMENTS.md: 由/new-project根据你的回答生成定义了项目的功能和非功能需求。它是所有规划和验证的基准。.planning/目录: 这是 Learnship 的“作战室”。里面存放着每个阶段的详细计划 (PLAN.md)、研究摘要、上下文文件等。AI 在执行特定阶段任务时只会加载与该阶段相关的上下文文件避免了无关信息的干扰。工作原理动态上下文加载当你在 Learnship 中运行一个命令比如/plan-phase 2背后发生了以下事情检索阶段上下文Learnship 会读取.planning/phase-2/目录下的CONTEXT.md文件如果存在其中包含了该阶段特定的实现偏好或约束。加载核心记忆将AGENTS.md、DECISIONS.md、REQUIREMENTS.md中与当前阶段相关的部分提取出来。组装提示词将这些结构化的上下文信息与对应工作流如plan-phase的专用指令模板相结合生成一个高度优化、信息充足的提示词发送给 AI。执行与记录AI 根据这个丰富的上下文生成输出如计划而 Learnship 会确保输出被正确地解析、验证并写入到对应的文件如.planning/phase-2/PLAN.md中。这个过程确保了 AI 始终在正确的“信息轨道”上运行既不会因为信息不足而瞎猜也不会因为信息过载而混乱。2.2 工作流引擎57个命令如何协同工作Learnship 提供了多达 57 个命令乍看令人眼花缭乱。但它的设计哲学是“渐进式复杂度”。你只需要记住 5 个核心命令就能开始其他命令会在你需要时自然出现。五大核心命令/ls(状态与导航): 这是你的“指挥中心”。运行它它会告诉你项目当前处于哪个阶段、最近做了什么、接下来应该做什么并且会主动询问你是否要执行下一步。对于新项目它会引导你开始/new-project。这是你开始任何会话的起点。/next(自动导航): 如果你不想动脑只想让项目继续推进就用/next。它会自动读取项目状态判断当前应该进行到循环的哪一步并直接运行对应的命令如自动进入/plan-phase或/execute-phase。/new-project(项目初始化): 启动新项目的完整流程。它会通过一系列交互式问题帮你明确项目目标、范围然后自动进行初步研究、生成需求文档和开发路线图。这是为项目建立持久化记忆的第一步。/quick “任务描述”(快速任务): 用于处理那些不需要走完整阶段循环的小任务比如修个 Bug、加个小功能。它依然会保证原子化提交等良好实践但跳过了前期的规划和讨论环节更加轻量。/help(命令手册): 当你需要探索 Learnship 的全部能力时用它来查看所有 57 个命令的分类列表和简介。命令的层次与发现其他命令大多围绕核心循环展开或服务于特定场景阶段管理类:/add-phase,/insert-phase,/remove-phase用于动态调整路线图。问题排查类:/debug,/diagnose-issues,/forensics用于系统化地定位和解决问题。质量与沉淀类:/review,/challenge,/compound,/sync-docs用于提升代码质量和积累知识。配置与会话类:/settings,/health,/session-report用于管理项目设置和会话状态。你不需要记忆它们。在合适的上下文中/ls或 AI 的建议会引导你使用这些命令。例如当/verify-work发现多个问题时它可能会建议你运行/diagnose-issues来进行批量根因分析。2.3 平台适配与多智能体协作Learnship 支持 Windsurf、Claude Code、Cursor、OpenCode、Gemini CLI 和 Codex CLI 六大平台。它的设计非常巧妙核心逻辑是平台无关的基于文件系统和工作流但交互方式深度适配了每个平台的特性。交互方式的适配Windsurf Cursor: 主要利用其强大的Slash Commands (斜杠命令)和Skills/规则系统。Learnship 的命令会直接注册为/ls、/new-project等形式开箱即用。Claude Code, OpenCode, Gemini CLI: 除了斜杠命令这些平台支持更底层的Task()子智能体调用。这使得 Learnship 可以实现真正的并行执行。例如在execute-phase中可以同时启动多个执行者智能体各自处理一个计划波次中的不同任务大幅提升效率。Codex CLI: 通过$skills机制集成命令以$learnship-ls的形式调用。并行执行性能飞跃的关键在支持Task()的平台上你可以开启并行化。在.planning/config.json中设置parallelization: { enabled: true }。当运行/execute-phase时Learnship 会将一个波次内的多个独立任务分配给不同的 AI 智能体实例同时执行。每个智能体拥有独立的上下文预算互不干扰。注意并行执行虽然快但也可能增加成本和上下文消耗。默认是关闭的建议在复杂项目或明确任务间无依赖时开启。智能体人格系统从 v2.3 开始Learnship 引入了17 个专门的智能体人格如planner规划师、executor执行者、phase-researcher阶段研究员、doc-verifier文档验证员等。不同工作流会在适当时机激活特定人格。例如/plan-phase会主要使用planner和phase-researcher而/review则会启用多个审查人格。在 Windsurf 上这些人格通过model_decision规则实现在其他平台则通过Task()调用或内联的persona_context指令块来激活。这确保了每项任务都由最合适的“专家”来处理。3. 从零开始实战搭建你的第一个 Learnship 项目理论说得再多不如亲手实践。让我们以一个具体的例子——构建一个个人博客内容管理系统——来走一遍 Learnship 的核心流程。假设我们使用 Next.js Tailwind CSS Supabase 这个技术栈。3.1 环境准备与安装首先确保你的系统满足前置条件Node.js ≥ 22: Learnship 本身基于 Node.js 开发。Git: 用于版本控制这是 Learnship 原子化提交的基础。一个支持的 AI 编程助手这里我们以Claude Code为例。安装 Learnship 非常简单一行命令即可# 全局安装这样在所有项目中都可以使用 npx learnship --claude --global这条命令会从 npm 拉取最新的 Learnship 版本。检测你的系统平台Mac/Windows/Linux。将 Learnship 的工作流和技能文件安装到 Claude Code 的插件/扩展目录。在 Claude Code 中注册好/learnship:开头的系列命令。安装完成后打开 Claude Code在聊天输入框里键入/ls并回车。如果安装成功你应该会看到 Learnship 的欢迎信息和状态提示。实操心得安装过程基本上是自动化的。如果遇到权限问题可能需要以管理员/root 身份运行。安装后如果命令不生效尝试完全重启你的 AI 助手应用。--global参数意味着一次安装所有项目通用非常方便。3.2 项目初始化用对话定义一切安装好后我们开始第一个项目。在 Claude Code 中输入/learnship:new-projectAI 会启动一个交互式的初始化流程。这个过程非常重要它相当于项目的“奠基仪式”。你会被问到一系列问题你的回答将直接生成项目的“宪法文件”。典型对话流程如下AI (Learnship):“我们来开始一个新项目。首先这个项目叫什么”你:“MyBlogCMS”AI:“用一句话描述这个项目是做什么的。”你:“一个基于 Next.js 14 的个人博客 CMS支持 Markdown 写作、标签分类、暗色模式并部署到 Vercel。”AI:“项目的主要目标用户是谁”你:“我自己一个独立开发者。也可能分享给其他有类似需求的技术博主。”AI:“列出 3-5 个核心功能。”你:“1. 一个美观的、响应式的博客前端。 2. 一个受保护的、简单的管理后台用于撰写和编辑 Markdown 文章。 3. 文章支持标签和分类。 4. 完整的暗色/亮色主题切换。 5. 基于 Supabase 的数据存储和身份验证。”AI:“有哪些非功能性需求如性能、安全、SEO”你:“首屏加载要快Lighthouse 性能评分 90SEO 友好有合理的 meta 标签管理后台需要有基本的身份验证。”AI:“技术栈上有偏好吗还是我来研究推荐”你:“前端用 Next.js 14 (App Router)Tailwind CSS 样式shadcn/ui 组件库。后端用 Supabase (PostgreSQL 实时订阅 鉴权)。部署到 Vercel。”初始化完成后Learnship 会为你生成以下文件AGENTS.md: 包含了以上所有信息以及 Learnship 的工作原则、当前阶段初始化为“阶段 0: 项目设立”。REQUIREMENTS.md: 将你的描述结构化形成正式的需求文档。ROADMAP.md: 基于需求和复杂度Learnship 会自动生成一个分阶段的开发路线图。例如阶段 1: 初始化 Next.js 项目配置 Tailwind 和 shadcn/ui。阶段 2: 设置 Supabase 项目定义数据库模式。阶段 3: 实现博客前端列表页和详情页。阶段 4: 实现管理后台的登录和文章列表。阶段 5: 实现文章的创建、编辑、删除功能。阶段 6: 实现标签管理和主题切换。阶段 7: 优化 SEO 和性能准备部署。.planning/config.json: 项目的配置文件包含了之前提到的所有设置模式、粒度、模型配置等。注意事项在初始化阶段尽可能清晰地回答。模糊的需求会导致模糊的计划。如果你对技术栈不确定可以让 AI 去研究research选项。AGENTS.md是这个阶段最重要的产出它是 AI 后续所有行动的“指南针”。3.3 深入阶段循环以“实现博客前端”为例假设我们现在要开始阶段 3实现博客前端列表页和详情页。让我们看看 Learnship 如何引导我们完成。步骤一讨论阶段 (/discuss-phase 3)运行命令后AI 会基于AGENTS.md和REQUIREMENTS.md与你讨论阶段 3 的具体实现细节。AI 可能会问“列表页需要分页吗一页显示多少篇文章”“详情页的 URL 结构是什么/blog/[slug]吗”“需要显示文章摘要、发布时间、作者、标签吗”“图片如何处理用 Next.js Image 组件优化吗”你需要做出决策“不需要分页暂时全部列出。”“URL 用/blog/[slug]。”“显示标题、摘要、发布时间和标签。”“图片用 Next/Image图片存储在 Supabase Storage。”结果这些讨论要点和最终决策会被总结并追加到DECISIONS.md文件中。同时在.planning/phase-3/目录下会生成一个CONTEXT.md文件记录本阶段特有的实现约束如“使用 shadcn/ui 的 Card 组件展示文章”。步骤二规划阶段 (/plan-phase 3)讨论清楚后运行此命令。AI 会研究如果配置开启可能会快速查阅 Next.js 14 数据获取的最佳实践、shadcn/ui Card 组件的用法等。生成计划创建.planning/phase-3/PLAN.md。这个计划可能长这样计划 3.1: 创建博客文章数据类型和工具函数 - 输入: Supabase 表结构定义 - 任务: 在 lib/types/blog.ts 定义 Post 类型在 lib/supabase/client.ts 中创建获取文章列表和单篇文章的函数。 - 验收标准: 类型定义完整函数能正确查询 Supabase。 计划 3.2: 实现博客列表页 (/app/blog/page.tsx) - 输入: 计划 3.1 的输出 - 任务: 创建页面组件使用 getPosts 获取数据用 shadcn/ui 的 Card 组件渲染列表。 - 验收标准: 页面能正常显示文章列表点击文章标题能链接到详情页。 计划 3.3: 实现博客详情页 (/app/blog/[slug]/page.tsx) - 输入: 计划 3.1 的输出 - 任务: 创建动态路由页面使用 getPostBySlug 获取数据渲染文章标题、内容、元数据。 - 验收标准: 能通过 /blog/my-first-post 访问文章Markdown 内容被正确渲染。 计划 3.4: 添加基本的样式和布局 - 输入: 计划 3.2, 3.3 的输出 - 任务: 应用 Tailwind 样式确保响应式设计更新布局组件包含博客导航。 - 验收标准: 页面在移动端和桌面端显示良好风格一致。计划检查AI 会以“检查员”的身份审视这份计划确保任务依赖关系正确、没有遗漏、验收标准可衡量。它可能会提出问题让你确认比如“计划 3.4 是否应该包括暗色模式的初步样式”。步骤三执行阶段 (/execute-phase 3)确认计划后运行此命令。AI 会切换到“执行者”模式严格按照PLAN.md的顺序执行。它会先完成计划 3.1创建lib/types/blog.ts和lib/supabase/client.ts然后立即执行一次 Git 提交提交信息可能是“feat: add blog types and data fetching utilities”。接着执行计划 3.2创建或修改/app/blog/page.tsx完成后再次提交“feat: implement blog list page”。依此类推。整个过程完全自动化你只需要在必要时提供澄清比如 AI 不确定某个样式细节时。每个原子提交都使得代码历史极其清晰。步骤四验证阶段 (/verify-work 3)执行完毕AI 会提示你进行验收测试。你需要启动开发服务器 (npm run dev)。访问http://localhost:3000/blog检查列表页是否正常显示数据是否从 Supabase 正确加载。点击一篇文章进入详情页检查 Markdown 渲染、样式是否正确。如果有问题比如图片没显示或样式错乱就在聊天框中告诉 AI“列表页的图片没有显示可能是图片 URL 构造错了。”或者“详情页的代码块没有语法高亮。”AI 的“诊断者”人格会被激活。它会分析你报告的问题检查相关代码然后生成一个诊断报告和一个修复计划。例如“问题图片 URL 未使用完整的 Supabase Storage URL。修复计划修改lib/supabase/client.ts中的getImageUrl函数。”你可以批准这个修复计划AI 会执行它并再次提交。这个过程可以重复直到你满意为止。步骤五及以后通过验证后你可以选择运行/review进行多角度代码审查或者直接运行/ship将本阶段的成果推送到 Git 仓库。最后别忘了运行/compound让 AI 帮你把“如何集成 Supabase 与 Next.js App Router”、“如何处理 Markdown 渲染”等关键知识沉淀到项目知识库中。实操心得/verify-work阶段是“人机协作”的关键。不要指望 AI 一次就能写出完美代码。你的角色是“产品经理”和“测试员”提供高质量的反馈。清晰的反馈如“点击搜索按钮没反应”比“功能坏了”好得多能极大提升修复效率。另外善用/compound它积累的知识在未来重构或 onboarding 新成员时是无价之宝。4. 高级技巧与避坑指南经过几个项目的实战我积累了一些让 Learnship 发挥最大效能的技巧也踩过一些坑。这里分享给大家。4.1 配置调优找到适合你的节奏.planning/config.json是 Learnship 的大脑。默认配置 (balanced) 适合大多数项目但根据场景调整可以事半功倍。场景一快速原型验证当你有一个新想法需要快速验证可行性时。配置mode: “auto”,granularity: “coarse”,model_profile: “budget”,workflow.research: false,workflow.plan_check: false。解释auto模式自动推进减少确认打断coarse粒度让阶段更大减少循环次数budget模型档位降低成本关闭前期研究和计划检查以追求速度。此时的目标是“跑通”而不是“完美”。场景二生产级功能开发当你为现有产品开发一个重要功能时。配置mode: “interactive”,granularity: “fine”,model_profile: “quality”, 所有workflow.*开关保持true。解释interactive模式在每个关键决策点都要求确认保证你对每一步都有掌控fine粒度将工作拆解得非常细便于管理和审查quality模型档位使用能力最强的模型提升代码质量和规划准确性开启所有工作流确保流程完备。此时的目标是“稳健”和“可维护”。场景三学习与探索如果你主要想通过构建项目来学习一项新技术。关键配置learning_mode: “auto”。操作在阶段转换时Learnship 会自动弹出学习提示比如“在开始下一阶段前我们来回顾一下刚刚是如何配置 Supabase 行级安全的”。这时请务必参与这是将 AI 的“操作”转化为你“知识”的黄金时刻。配合命令多使用agentic-learning explain [topic]命令让 AI 为你解释某个技术点的原理。4.2 常见问题与排查实录问题 1AI 似乎忽略了DECISIONS.md里的某个决策。排查首先检查DECISIONS.md文件确认决策是否被清晰记录。然后运行/health命令检查是否有状态不一致。最常见的原因是决策是在项目中期记录的但 AI 在规划新阶段时没有充分“回忆”起那个决策。解决在运行/discuss-phase时主动提及那个决策。例如“记得我们在DECISIONS.md里决定使用server actions而不是 API routes请确保本阶段计划遵循这一点。” 你也可以在AGENTS.md的“核心原则”部分强调关键决策。问题 2/execute-phase执行到一半卡住了或者产生了错误代码。排查不要慌张。首先因为 Learnship 是原子化提交你可以轻松地用git log查看上一个成功的提交然后用git reset --hard HEAD~1回退到那里。接着检查.planning/phase-N/PLAN.md看是哪个具体任务失败了。解决使用/execute-plan N [任务ID]命令单独重新执行那个失败的任务。如果问题依旧仔细阅读 AI 的错误信息。很多时候是环境依赖如未安装某个包或配置问题如环境变量未设置。解决环境问题后重试。如果计划本身有问题可以回到/plan-phase N修改计划后再执行。问题 3在 Windsurf 上/ls命令没有自动建议下一步。排查这通常是因为AGENTS.md文件没有被正确加载或者.planning/目录下的状态文件损坏。解决首先手动运行/learnship:resume-work或对应平台的恢复命令强制加载上下文。如果不行运行/health检查项目健康状态。作为最后的手段可以手动编辑AGENTS.md确保Current Phase字段是正确的或者运行/new-milestone重新初始化项目状态注意这会清空当前里程碑的进度。问题 4并行执行 (parallelization: true) 时任务间有依赖导致失败。现象任务 B 需要任务 A 生成的代码但并行执行时 B 在 A 完成前就开始了导致找不到模块或函数。解决规划是关键。在/plan-phase时确保PLAN.md中的任务依赖关系被正确设置。具有依赖关系的任务应该被放在同一个“波次”内并且设置parallelization: { task_level: false }默认。只有真正独立的任务才适合并行。如果已经发生关闭并行设置重新执行该阶段。4.3 进阶技巧最大化你的效率善用/quick处理琐事不要为了修一个拼写错误或调整一个样式而启动完整的阶段循环。/quick “Fix typo in homepage headline”能快速搞定并依然保持一个清晰的提交。/debug是你的好朋友当遇到一个模糊的 bug 时不要自己埋头苦查。运行/debug “描述现象”让 AI 的系统化诊断流程来帮你。它通常会执行1) 复现步骤2) 日志和状态检查3) 假设生成与测试4) 修复。这比盲目猜测高效得多。定期运行/sync-docs代码在演进但文档容易过时。在完成一个里程碑或重大重构后运行/sync-docs。它会比较代码和文档如README.md、组件文档的差异并提示你更新。利用“知识库”进行决策在开始一个与之前类似的功能时先运行/knowledge-base search “用户认证”看看之前关于认证的决策和踩过的坑避免重复劳动和错误。自定义你的AGENTS.md不要把它当成一个只读文件。你可以随时手动编辑它特别是在“核心原则”部分加入你们团队的特定规范如“始终使用 TypeScript 严格模式”、“所有 API 调用必须包含错误处理”。AI 会严格遵守这些原则。5. 生态、局限与未来展望Learnship 代表了一种趋势将 AI 从“聊天伙伴”升级为“工程伙伴”。它的开源和跨平台特性使其具备了成为生态基础的潜力。当前的局限学习曲线虽然核心命令只有 5 个但要真正理解其哲学并熟练运用所有 57 个命令需要一定的时间和项目实践。对 Git 的强依赖它的原子化提交、状态跟踪都深度依赖 Git。如果你的项目还未使用 Git或者团队 Git 工作流非常特殊可能需要调整。平台能力差异最强大的特性如真正的并行子智能体仅在 Claude Code、OpenCode 等少数平台得到完全支持。在 Windsurf 和 Cursor 上体验可能略有折衷。“黑盒”感对于初学者看着 AI 自动生成计划、写代码、提交可能会产生一种失去控制的感觉。这需要心态上的转变从“写代码者”变为“引导和验证者”。与现有工具链的整合Learnship 并不取代你的现有工具而是增强它们。与 VS Code 等编辑器完美共存。你依然可以在编辑器里手动编码、调试。与 CI/CD/ship命令生成的标准化提交信息和 PR可以完美接入现有的 CI/CD 流水线。与项目管理工具ROADMAP.md和阶段进度可以同步到你的项目管理工具如 Linear, Jira。/session-report生成的总结可用于站会同步。个人体会与建议使用 Learnship 大半年后我最大的体会是它改变了我和 AI 协作的“单位时间产出”的性质。以前单位时间产出的是“代码行数”。现在单位时间产出的是“清晰定义、经过验证、文档完备的功能模块”。前期讨论、规划花费的时间变多了但后期调试、返工、理解代码的时间急剧减少。它特别适合中等复杂度、需要长期维护的项目以及希望系统性学习全栈开发的个人。对于新手我的建议是从一个很小的、你熟悉的项目开始。比如用你已知的技术栈比如 React重写一个简单的待办事项应用。用 Learnship 走完一两轮完整的阶段循环亲身体验从讨论到交付的全过程。在这个过程中重点关注AGENTS.md和DECISIONS.md是如何演变的感受“持久化记忆”的力量。一旦你习惯了这种有纪律的协作方式就很难再回到过去那种随机的“氛围编码”了。它未必适合所有人和所有场景但对于追求工程效率和知识沉淀的构建者来说Learnship 无疑提供了一条值得探索的路径。