模板定义「需要什么证据」→ 用户按模板提供 → AI 按证据开发
用户：帮我写一个订单统计的 SQL
AI：好的，我来写...
（AI 不知道表结构、不知道业务口径、不知道红线规则）
→ 结果：写出来的代码大概率要返工
问题根源：AI 每次都要重新理解业务，而业务知识在人脑里。
模板说：你需要提供 model_csv（设计稿）、数据字典、红线规则
用户做：把文件放到指定路径
AI 做：读取文件，按优先级开发
核心价值：把「业务知识」从人脑转移到项目结构，AI 和开发者都能直接用。
AI 每次启动自动加载，告诉 AI：
- 该从哪里找证据（证据优先级）
- 哪些事情不能做（红线规则）
- 冲突时怎么办（处理流程）
改代码前自动跑，校验：
- 设计稿是否存在
- mtime 是否是当日版本
- 字段是否冲突
踩过的坑自动沉淀，下次自动避开。
不同任务用不同工具，不是所有问题都走 RAG。
# 1. 克隆模板
git clone git@github.com:eninem123/agent-methodology.git
cd agent-methodology
# 2. 复制 AGENTS.md 到你的项目
cp agent_setup_prompts_generic_export.md /your-project/AGENTS.md
# 3. 打开 AGENTS.md，把【】替换成你的项目信息
# 4. 在 Cursor 里打开项目，AI 会自动加载 AGENTS.md# 1. 先复制 AGENTS.md
cp agent_setup_prompts_generic_export.md /your-project/AGENTS.md
# 2. 在 Cursor Agent 对话里粘贴这个提示词：
# "扫描当前仓库，帮我生成 .cursor/rules/ 目录和基本的 guard 脚本"agent-methodology/
├── README.md # 你正在看的文件
│
├── 📋 模板文件
│ ├── agent_setup_prompts_generic_export.md # 通用 AGENTS.md 模板
│ ├── agent_setup_prompts_by_scenario.md # 分场景搭建提示词手册
│ └── low_token_prompt_templates.md # 日常低 token 提问模板
│
├── 📖 实战文档（来自 企业数据平台）
│ ├── AGENTS-企业数据平台.md # 数据中台 AI 协作规范
│ ├── warehouse_on_demand.md # 数仓扩展规范（按需查阅）
│ ├── SKILL-企业数据平台.md # Skills 总览
│ ├── knowledge_base_workflow.md # 知识库主链路
│ └── README-企业数据平台.md # 项目结构说明
│
├── 📖 实战文档（来自 猎手模拟交易）
│ ├── README-trading-hunter.md # 量化/交易 Agent 化案例
│ ├── AGENTS-trading-hunter.md # 交易场景 AGENTS 模板
│ └── examples/trading-hunter/ # rules / hooks / lessons 模板
│
├── 📊 架构参考
│ └── docs/
│ ├── 01-routing-architecture.md # 任务路由架构演进
│ ├── 02-capability-mapping.md # 能力对应表
│ ├── 03-verification-pattern.md # 验证闭环模式
│ └── 04-agent-loops-zero-ops.md # Loops + 零运维（pipeline 产证据）
│
└── 📝 变更记录
├── optimization_changelog_20260105.md # 代码库优化变更说明
└── optimization_changelog_20260630.md # 猎手交易案例与 Loops 文档
| 层级 | 放什么 | 不放什么 |
|---|---|---|
| AGENTS.md | 红线索引、证据优先级、入口路径 | 长篇语法细则 |
| rules | 开发前/中/后 checklist | 与 glob 无关的废话 |
| on_demand | StarRocks 细则、SAP 清洗 | 每轮都需要的红线 |
| Skill | 触发词、流程、输出契约 | 整个仓库规范 |
| tools/hooks | 可脚本化校验 | 需要人脑判断的业务口径 |
P0：用户 @ 的文件 / 磁盘当日设计稿（看 mtime）→ 必须读
P1：代码与 schema → 参考
P2：历史 KB / 教训 → 仅辅助，不替代设计
用户按模板要求提供：
- 设计稿路径 → AI 读取后开发
- 数据字典 → AI 按字段开发 SQL
- 教训库 → AI 自动避开踩过的坑
零运维扩展（量化/日频 pipeline 场景）：
- P0 由 pipeline 自动写 JSON（持仓、路由、验证进度）→ 用户不必交 model_csv
- 详见
docs/04-agent-loops-zero-ops.md
改代码前自动跑守卫脚本，校验：
- 设计稿是否存在
- mtime 是否是当日版本
- 字段是否冲突
灵感来源：IMO 2025 Gemini 金牌验证提示词。核心思路：生成（Solver）和核验（Verifier）分离。
┌─────────────────────────────────────────────────────────────┐
│ 验证闭环 Loop │
├─────────────────────────────────────────────────────────────┤
│ │
│ ┌─────────┐ ┌─────────┐ ┌─────────┐ ┌─────────┐ │
│ │ 生成 │───→│ 独立核验 │───→│ 修正复核 │───→│ 交叉验证 │ │
│ │ (Solver)│ │(Verifier)│ │ (Fix) │ │(Cross) │ │
│ └─────────┘ └─────────┘ └─────────┘ └─────────┘ │
│ ↑ │ │
│ └──────────────────────────────┘ │
│ 不通过则循环 │
└─────────────────────────────────────────────────────────────┘
5 个核心模式：
- 角色分离：AI 生成代码 → 门卫脚本独立校验（不依赖 AI 自己的判断）
- 分类标注：BLOCKER（致命错误）/ SHOULD（建议改）/ QUESTION（待确认）
- 逐步核验：逐字段检查设计稿 mtime + 字段清单
- 不修改只审计：门卫只报错，不自动修代码
- 交叉验证：行数/金额/明细抽样核对
详见 docs/03-verification-pattern.md
这是本方法论的持续进化机制——不是单向输出，而是越用越聪明。
┌─────────────────────────────────────────────────────────────┐
│ 教训闭环 Loop │
├─────────────────────────────────────────────────────────────┤
│ │
│ ┌─────────┐ ┌─────────┐ ┌─────────┐ ┌─────────┐ │
│ │ 踩坑 │───→│ 写教训 │───→│ 业务确认 │───→│ 写入红线 │ │
│ │ │ │ (draft) │ │(confirmed)│ │ AGENTS │ │
│ └─────────┘ └─────────┘ └─────────┘ └─────────┘ │
│ ↑ │ │
│ │ 下次自动避开 │ │
│ └──────────────────────────────────────────────┘ │
│ │
└─────────────────────────────────────────────────────────────┘
为什么这是闭环？
- 教训写入 AGENTS 后，AI 每次启动自动加载
- 下次遇到类似场景，AI 自动避开
- 避开后如果又踩新坑，继续循环
- 越用越聪明，不是一次性文档
| 场景 | 优先建什么 | 参考文档 |
|---|---|---|
| 数据中台 / 数仓 | AGENTS + guard + hook | AGENTS-企业数据平台.md |
| 量化 / 交易策略 | AGENTS + grill + health + pipeline | README-trading-hunter.md |
| 后端 API / 微服务 | AGENTS + OpenAPI rule | agent_setup_prompts_by_scenario.md §4 |
| 前端 / 全栈 | AGENTS + token rule | agent_setup_prompts_by_scenario.md §5 |
| Code Review | Skill 即可 | agent_setup_prompts_by_scenario.md §6 |
| 老项目改造 | 分阶段 AGENTS | agent_setup_prompts_by_scenario.md §12 |
改造前：
- AI 每次重新理解业务
- 改 SQL 经常出错
- 踩过的坑重复踩
改造后：
- AGENTS.md 写清红线和证据来源
- 门卫脚本自动校验 model_csv
- 教训库沉淀 50+ 条经验
- AI 开发效率提升 3-5x
详见 README-企业数据平台.md
改造前：
- 策略改动无烤机/健康检查，单测常被跳过
- 展示层信号与执行门禁混淆
- 主人被迫跑 accept、看复盘网页
改造后：
- P0 证据由日频 pipeline 写 JSON（portfolio、routing、phase1）
strategy_grill+health_check+signal_postmortem四层 Loop- Cursor Hook +
agent_gate（SCALE Shield 轻量版）拦截未烤机改码 memory/lessons.md8 条 confirmed；主人仅收 BLOCKER 汇报
# 1. 在项目根目录创建 .cursor/rules/
mkdir -p .cursor/rules
# 2. 从 agent_setup_prompts_by_scenario.md 复制对应场景的 rules
# 3. 在 Cursor Settings → Rules 里启用这套方法论不绑定 Cursor，适用于：
- Cursor Rules
- Claude Code
- GitHub Copilot
- 任何支持 System Prompt 的 AI 编码工具
| 资源 | 说明 |
|---|---|
| awesome-cursorrules | 3900+ 个 Cursor 规则文件 |
| Cursor 官方文档 | Project Rules 说明 |
本方法论解决「AI 应该怎么做」，SCALE Engine 解决「AI 不遵守怎么办」——它把治理规则变成 CLI 门禁、退出码拦截和证据文件，让约束不再只靠提示词自律。两者配合使用效果最佳。
MIT License
基于企业级 AI 协作实践沉淀 · 2026-06-30