我把Claude变成了带记忆的人生教练，结果它比我还了解我自己｜人生教练 Agent v2.1

最新推荐文章于 2025-12-17 19:50:06 发布
原创 最新推荐文章于 2025-12-17 19:50:06 发布 · 647 阅读 · 17 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#经验分享

还记得上周发布的"人生教练"吗？没想到反响这么热烈！

有位创业者朋友跟我说："这个回答直接戳中痛点啊"

Image

更有意思的是，有个技术大佬直接撸起袖子，做了个MCP来实现本地版的对话功能。看到这个我坐不住了——不能让大家等太久，我得赶紧把官方版的记忆功能做出来！

Image

为什么记忆功能这么重要？

想象一下，如果你的人生教练每次对话都像初次见面，那多尴尬？

"嗨，我是你的人生教练，请问你是谁？"

这不就成了失忆症患者了吗？

有了记忆功能后，人生教练变成了这样：

"上次你提到想转行做AI产品经理，这周的准备进展如何？我记得你说要先学习Python基础..."

这才是真正的教练该有的样子！

图片

实测效果：它真的记住了我

昨天晚上，我测试新版人生教练时，被它的表现惊到了。

我随口问了句："最近有点迷茫，不知道该专注做 内容 还是继续做 产品+内容"

它竟然翻出了我三个月前的一段记录：

Image

我都忘了自己说过这话，它却记得一清二楚。

更绝的是，它还能把不同时期的想法串联起来：

Image

最佳拍档：Cursor + Claude Code = 最强CP

实现记忆功能的技术栈其实不复杂：

1. Claude Code作为主要的工具：能够使用最强模型，claude opus4，如果没有claude code，用cursor也非常棒

3. 本地Markdown文件存储：所有对话记录都保存为可读的文本文件

3. 飞书多维表格：存储各个智者的人格提示词

4. cursor：作为 claude code 的启动器，解决claude code 不会用的问题

最巧妙的设计是"记忆文件夹"结构：

记忆/├── 自我认知.md     # 你对自己的描述├── 成长历程.md     # 重要的人生节点├── 目标规划.md     # 短期和长期目标└── 对话精华.md     # 有价值的历史对话

这样一来，你的Cursor直接变成了你的人生笔记本！

相比传统方案的优势

传统人生教练 vs AI人生教练

对比维度传统教练AI教练
费用500-2000元/小时完全免费
时间需要预约，通常每周1次24小时随时可用
记忆依赖教练个人记忆和笔记完整记录每次对话
视角单一教练的经验和认知多位智者的综合智慧
隐私可能有隐私顾虑数据完全本地化

关键差异：AI教练不是要取代人类教练，而是让每个人都能拥有一个"思考伙伴"。

升级后的工作流程

新版人生教练的工作流程分为三个阶段：

第一阶段：复制我的运行文件

复制下方提示词

https://o90p05z3t4.feishu.cn/wiki/XgxXw3Pnsi7P4akimoYcY58Wnah

新建一个文件，粘贴提示词，并命名为"人生教练运行文件.md"

图片

第二阶段：新建“记忆”

在本地新建一个文件夹，叫“记忆”

可以在里面新建一些背景资料，参考如下

记忆/

├── 自我认知.md # 你对自己的描述

├── 成长历程.md # 重要的人生节点

├── 目标规划.md # 短期和长期目标

└── 对话精华.md # 有价值的历史对话

图片

第三阶段：保存对话

当对话是你觉得需要保存的，输入“保存”类命令，AI就会识别指令，把对话存入“记忆”文件夹

Image

实际应用场景

场景1：职业发展困惑

你问："我是继续在大厂卷，还是出来创业？"

系统响应：

- 查理·芒格：先分析你的能力圈和财务安全边际

- 史蒂夫·乔布斯：探讨你真正的热情所在

- 系统思考大师：构建决策模型，分析长期影响

场景2：情绪管理问题

你问："最近总是焦虑，怎么办？"

系统响应：

- CBT心理学家：识别触发焦虑的认知模式

- 苏格拉底：通过提问帮你找到焦虑的根源

- 镜像的你：回顾你之前成功应对焦虑的经验

场景3：产品设计难题

你问："这个功能到底该不该加？"

系统响应：

- 乔布斯：从用户体验角度做减法

- 埃隆·马斯克：用第一性原理重新审视需求

- 问题考古学家：挖掘用户真正想要解决的问题

使用小技巧

1. 定期更新记忆文件

  • 每周花10分钟更新"自我认知.md"
  • 重大决策后记录在"成长历程.md"
  • 建立核心目标在 "目标规划.md"
  • 这样AI教练会越来越了解你

2. 善用追问

  • 不要只问一次就结束
  • 让不同智者产生思想碰撞
  • 追问能激发更深层的洞察

3. 建立专属提示词库

  • 可以在飞书表格中添加你信任的人物
  • 比如你的导师、偶像、甚至是虚构人物
  • 让他们成为你的智囊团

当前的局限性

实事求是地说，现在的AI教练还有一些不足：

1. 缺乏情感共鸣：虽然能理解你说什么，但还不能真正"感受"你的情绪

2. 依赖用户输入：记忆质量取决于你愿意分享多少

但这些都是可以改进的方向，而不是无法突破的天花板。

一个意外发现

在测试过程中，我发现了一个特别有意思的现象：

当我让"镜像的我"（AI版的自己）和真实的我对话时，经常能发现自己的认知盲区。AI版的我会说：

"成峰，从你的历史记录来看，你总是在说要专注，但实际上你享受的是探索的过程。与其纠结专注什么，不如承认自己就是一个'专业的探索者'。"

这种"自己和自己对话"的体验，有点像是在照一面特别诚实的镜子。

下一步计划

基于大家的反馈，接下来会重点做这些：

1. 手搓人物

  • 聊一下自己是怎么去搓人物的

2. 轻量化部署

  • 怎么样降低使用门槛

写在最后

有了记忆功能的人生教练，不再是一个冰冷的AI工具，而更像是一个真正了解你、陪伴你成长的伙伴。

它记得你的每一次困惑，见证你的每一步成长，在你需要的时候，用最合适的智慧为你指路。

更重要的是，通过与它对话，你其实是在与更好的自己对话。

这个项目还很早期，但我相信它的方向是对的——让每个人都能拥有属于自己的智慧伙伴。

如果你也想给自己的人生教练加点特殊功能，欢迎在评论区分享。说不定下个版本就会有你的创意！

我是Agent博主成峰（🔍AI产品自由），下期再见 claude code + MCP 的使用方法！

LangChain链与记忆处理[10]：四种基础内置链、四种文档处理链，以及链的自定义和五种运行方式，让你的大模型更加智能
丨汀、的博客
07-30 532
# LangChain链与记忆处理[10]：四种基础内置链、四种文档处理链，以及链的自定义和五种运行方式，让你的大模型更加智能
提示工程架构师深度解析Agentic AI在教育行业的应用潜力奥秘
AI 领航者的博客
08-03 682
Agent即服务”模式：发展中国家学校可通过低代码平台快速部署定制化Agent，无需自建技术团队；方言与少数民族语言支持：Agent将支持1000+种语言，包括稀有方言（如中国的纳西语、非洲的豪萨语）；特殊需求全覆盖：为视障学生提供“语音+触觉反馈”Agent，为听障学生提供“手语+文字”Agent，真正实现“教育无差别”。Agentic AI的出现，不是为了用机器取代教师，而是为了让教育回归本质：关注每个学生的独特性，释放教师的创造力，打破资源的时空限制。
Manus很火！| （智能体关键步骤学习） ATLAS：通过学习关键步骤进行智能体调优
2401_85375151的博客
04-11 764
在强化学习或模仿学习中，并非轨迹中的每一步都对任务成功具有同等重要性。ATLAS方法的核心思想是识别并关注那些对任务成功至关重要的关键步骤。具体来说，关键步骤是指轨迹中那些对最终回报 具有显著影响的行动或状态。直觉上，关键步骤通常要求代理进行精确的决策和完美的执行。相比之下，非关键步骤则更为灵活，可以进行调整或重新安排而不会影响整体轨迹的成功。举个例子，在导航任务中，确定初始方向和识别关键路标是关键步骤，而中间的一些直线行走步骤则相对不那么关键。
LobeChat版本更新日志解读：v0.8.5新增特性一览
weixin_28793831的博客
12-15 578
本文深入解析LobeChat v0.8.5版本的架构设计，涵盖Next.js多模式渲染、模型适配器统一多平台接入、插件系统实现智能代理能力、会话与角色管理优化用户体验，并探讨其向AI应用平台演进的技术路径。
EduVisAgent多智能体框架：把教学内容画出来，让你一看就懂
audyxiao001的博客
08-26 962
本推文介绍了一种用于教学内容可视化的新智能体框架EduVisAgent。该框架基于多智能体协作设计，能够生成逻辑清晰、交互性强的教学可视化内容，并在提出的全新基准EduVisBench上显著优于现有大模型。
从纸面到现实：浙大团队用OmniEAR深剖AI物理智能困境
欢迎来到运通链达的官方博客！我们深度探讨人工智能技术与应用，贯彻科技向善理念，推动科技进步与社会福祉和谐共生。
08-14 747
【摘要】浙江大学团队通过OmniEAR基准测试揭示，顶尖AI在物理世界中表现不佳的根源在于“体感推理”能力的缺失。研究发现，模型难以理解物理约束、合理使用工具和自主协作，单纯扩大模型规模无法解决根本问题。
Agentic AI在环境监测应用：提示工程架构师的创新案例剖析
专注搜索引擎技术
08-07 421
根据AI领域的经典定义，Agentic AI是一类能感知环境、自主决策、执行行动，并通过反馈优化自身的智能系统。自主性（Autonomy）：无需人类干预，主动完成目标；目标导向（Goal-directed）：围绕明确目标（如“降低河流氨氮浓度”）行动；适应性（Adaptability）：根据环境变化调整策略（如雨季增加河流监测频率）；协作性（Collaboration）：多个Agent协同完成复杂任务（如无人机+固定传感器联合溯源）。传统AI是“分析者”，Agentic AI是“执行者”。
秘籍大放送与应用！提示工程架构师的Agentic AI在智能设备应用秘籍大放送
专注搜索引擎技术
08-02 841
Agentic AI（智能体AI）是一种目标驱动的自适应系统感知（Perception）：能获取多模态输入（语音、视觉、传感器数据）；决策（Decision）：能基于目标、上下文和记忆规划动作；执行（Action）：能控制设备完成具体任务；反馈（Feedback）：能根据用户/环境反馈调整行为。维度传统AIAgentic AI交互方式单轮指令-响应多轮对话+主动询问目标性完成具体任务实现用户隐含需求适应性固定逻辑基于记忆和反馈迭代。
从入门到精通：提示工程架构师的Agentic AI学习路径
Python编程之道的博客
07-29 1326
2023年被称为"LLM元年"，而2024年正在成为"Agentic AI元年"。OpenAI的GPT-4o、Anthropic的Claude 3、Google的Gemini Advanced等模型已具备初步的工具使用能力；AutoGPT、Meta的AI助手、Microsoft Copilot+等项目展示了AI自主完成复杂任务的潜力；学术领域，"LLM agents"相关论文数量在2023-2024年增长了1200%。这场革命的核心在于从"被动交互"到"主动代理"的范式转变。
谢juncen经验分享
wyhwust的博客
12-17 457
因此考研前的每一段时间都有放弃的同学，一开始浩浩荡荡一大批人，暑假结束走一波，九月考研报名走一波，十一月确认信息走一波，然后坐到考场上发现第一天早上两三个空位，下午六七个空位，第二天十几个空位，坚持到最后考完的最多只有考场的一半人。当然去报那种主流讲师的网课班也是可以的，有详细固定的学习规划，对于学习计划不太明确的同学是个不错的选择。学弟学妹们你们好，我是信管2002班的谢juncen，去年考上了我们本校的管理科学与工程专业的研究生，我的初试成绩是326分，政治68，英语61，数学86，专业课111。
韩suo经验分享
wyhwust的博客
12-17 309
大二学习了前端，对前端我觉得我觉得我是不讨厌的，于是我自己学了一些前端的知识，vue等等，浅尝辄止以后想自己上线一个网站，于是自学了Linux、shell，第一次用命令行下载，看日志，自己搭环境，开端口，第一次让网站上线的时候感觉还是比较开心的，虽然页面比较简陋，传数据也没写，但是那种成功感让我由衷的感到快乐。......是这样的，可以说我的朋友算不上多，也没有恋爱能谈，娱乐的话主流的我也会，像没啥事就打游戏，看动漫、电影啊，出门唱k，酒吧蹦迪也会去，旅游，我是正常人也比较合群玩得来。
【经验分享】MySQL线上使用经验
weixin_43246215的博客
12-17 936
关于MySQL线上使用经验的一些分享。
2020级秦zhengdan经验分享
wyhwust的博客
12-17 187
关于工作，一定要多实习，丰富简历，最好简历上是能有两段及以上的实习经历。对于我们学校来说，可能是金4银5，会有一批岗位因学生考研考公上岸解约空出来，我在5月中旬后还收到了十几家中大厂面试邀请，其中有些公司前期投完可能就是石沉大海，所以大家不用太焦虑，可以等这一批的补录，补录的流程也会快很多。然而大部分人可能没有几手同时准备的能力，什么都抓的结果往往是什么都没抓到，建议选定一个方向后全力准备，我当时就想着国考秋招两手抓，但两边都没做好充足准备，最终两边精力都耗费了，两个都没抓到。
黄baojiang经验分享
wyhwust的博客
12-17 253
所以，身为信管的同学，如果想要跨考计算机，那么不可避免地会遇到这个问题，是否要考408。在社团或者部门中工作是最能够接触到学长学姐的机会，而接触到了学长学姐，就意味着有可能和别人形成一定程度的信息查，而信息查可以做的事情就多了。信管专业的专业课程量并不少，很多都需要取认真学习，但是如果要在这些课程里面选出最为重要的课程，我认为有两门课程是必须要进行深度学习的，一门是。当然了，现在AI的发展很是成熟，也要学会使用AI来帮助自己的学业，在这里为大家推荐。课堂上学到的总是有限的，需要自己取进行更进一步的学习。
（27页PPT）某省市照明智能管理系统解决方案.pptx
12-20
（27页PPT）某省市照明智能管理系统解决方案.pptx
资阳市第二自来水厂3dtiles模型
最新发布
12-20
资阳市第二自来水厂3dtiles模型
山西省暴雨洪水计算实用手册
12-20
山西省暴雨洪水计算实用手册
V-ASSISTANT-V1.03.7z
12-20
V-ASSISTANT_V1.03.7z
Python从零到壹全栈学习资源库_包含Python基础语法详解网络爬虫实战案例数据分析与可视化机器学习算法原理与实现自然语言处理与文本挖掘数据库操作与数据存储Sele.zip
12-20
Python从零到壹全栈学习资源库_包含Python基础语法详解网络爬虫实战案例数据分析与可视化机器学习算法原理与实现自然语言处理与文本挖掘数据库操作与数据存储Sele.zip
请告诉我关于自动化测试的sub agent 在claude中怎么配置
07-31
<think>我们正在讨论的是在Claude中配置自动化测试的sub agent（子代理）。根据用户提供的引用，特别是引用[1]和引用[4]，我们可以了解到Claude的自定义Agent机制以及如何将开发流程分解为多个子代理。用户的问题具体是：如何在Claude中配置自动化测试的sub agent。 引用[1]提到： - 动手创建一个自己的Agent，例如“代码注释生成器”或“Git Commit Message 撰写器”。 - 遵循最佳实践，定义清晰的agent-type、when-to-use，并坚持最小权限原则。 - 思考现有工作流的“Agent化”，比如单元测试用例生成、API文档同步、代码风格检查等。 引用[4]则描述了一个标准的开发流程分解为四个子代理： 1. spec-gen-agent：生成需求和设计文档。 2. code-exec-agent：编写代码。 3. spec-validation-agent：检查代码质量、安全和性能。 4. spec-testing-agent：编写测试用例。 因此，我们可以借鉴引用[4]的思路，将自动化测试流程分解，并创建相应的子代理。特别是，我们可以将自动化测试分解为多个子代理，例如： - 测试用例生成代理（test-case-gen-agent） - 测试执行代理（test-exec-agent） - 测试结果验证代理（test-result-validation-agent） - 测试报告生成代理（test-report-gen-agent） 在Claude中配置这些子代理，需要按照以下步骤进行： 步骤1：定义每个子代理的职责和配置 步骤2：配置每个子代理的触发条件（when-to-use）和权限（最小权限原则） 步骤3：构建多代理系统，并设置代理间的协作机制（引用[2]提到多Agent系统的构建，并提供了调试工具） 步骤4：通过Claude的Web UI进行交互和调试（引用[2]） 具体配置方法如下： 1. **定义子代理的配置（以测试用例生成代理为例）**： 每个子代理都是一个独立的Agent，需要定义其类型（agent-type）、描述（description）、触发条件（when-to-use）以及工具（tools）等。 例如，测试用例生成代理（test-case-gen-agent）的配置可能如下： ```yaml name: test-case-gen-agent description: 根据代码和需求生成测试用例 agent-type: code-analysis when-to-use: 当有新的代码提交或需求变更时，需要生成测试用例 tools: - code_reader - test_case_generator permissions: - read:source_code - write:test_cases ``` 2. **创建子代理**： 在Claude中，可以通过编写配置文件（如YAML）或使用Web UI来创建子代理。引用[2]提到，可以通过Web UI来与Agent交互，并提供调试工具。 例如，在Claude的Web界面中，我们可以： - 进入“Agent创建”页面 - 填写每个子代理的配置信息 - 保存并激活代理 3. **构建多代理系统**： 引用[4]将一个开发流程分解为四个子代理，我们可以类似地将自动化测试流程分解。然后，我们需要设置主代理（master agent）来协调这些子代理。 例如，我们可以创建一个名为“automated-testing-master”的主代理，它负责接收测试任务，然后按照流程调用各个子代理： - 首先调用test-case-gen-agent生成测试用例 - 然后调用test-exec-agent执行测试 - 接着调用test-result-validation-agent验证测试结果 - 最后调用test-report-gen-agent生成测试报告 主代理的配置可能包括： ```yaml name: automated-testing-master description: 自动化测试主控代理 agent-type: orchestrator sub-agents: - test-case-gen-agent - test-exec-agent - test-result-validation-agent - test-report-gen-agent ``` 4. **调试与交互**： 引用[2]提到，启动本地web服务器后，可以通过聊天界面与Agent交互，并使用调试工具查看状态转换、工具调用和完整的执行跟踪。 5. **处理多代理协作中的问题**： 引用[3]提到多Agent协作可能遇到结果冲突，需要主代理统一汇总与去重。因此，在主代理的设计中，需要包含结果整合逻辑。 6. **最佳实践**： 引用[1]和引用[3]都强调了结构化拆解任务和合理利用多线程/多代理并发。因此，我们可以设计让某些子代理并行执行（如多个测试用例可以并行执行）。 示例：自动化测试流程分解 1. **test-case-gen-agent**（测试用例生成代理）： - 输入：需求文档、代码 - 输出：测试用例（包括测试步骤、预期结果） 2. **test-exec-agent**（测试执行代理）： - 输入：测试用例 - 输出：测试执行结果（通过/失败，以及日志） 3. **test-result-validation-agent**（测试结果验证代理）： - 输入：测试执行结果 - 输出：验证结果（例如：是否所有关键用例通过？是否有性能问题？） 4. **test-report-gen-agent**（测试报告生成代理）： - 输入：测试执行结果和验证结果 - 输出：测试报告（包括统计信息、问题列表） 注意事项： - 每个子代理应遵循最小权限原则，只拥有完成其任务所必需的权限。 - 定义清晰的触发条件，避免不必要的调用。 总结步骤： 1. 根据自动化测试流程，设计子代理及其职责。 2. 在Claude中为每个子代理创建配置文件或通过Web UI创建。 3. 创建主代理来协调子代理的执行顺序和数据处理。 4. 通过Web UI进行测试和调试，确保每个子代理按预期工作，并且整个流程顺畅。 最后，引用[1]建议通过实践来体会，因此建议用户从一个简单的子代理开始，逐步构建完整的自动化测试代理系统。 根据以上分析，我们给出具体配置步骤： 步骤1：设计子代理 步骤2：配置子代理（使用YAML或Web UI） 步骤3：配置主代理 步骤4：启动Claude的本地Web服务器（引用[2]） 步骤5：通过聊天界面或API触发主代理，并监控执行过程 这样，用户就可以在Claude中配置自动化测试的sub agent了。 根据引用内容，我们生成了以下相关问题：</think>### 如何在Claude中配置自动化测试的Sub Agent 根据您提供的引用内容，在Claude中配置自动化测试的子代理（Sub Agent）需要遵循其模块化设计理念。以下是具体配置步骤和最佳实践： --- #### 1. **定义Sub Agent的职责和触发条件**（基于引用[1][^1]） - **明确agent-type**：为自动化测试子代理定义清晰类型（如`test-case-generator`或`test-executor`） - **设定when-to-use条件**：指定触发场景（如代码提交时/PR审核阶段） - **权限最小化原则**：仅开放必要的API访问权限 示例配置模板： ```yaml name: test-executor-agent type: automated-testing description: 执行端到端测试并生成报告 when-to-use: - event: push branch: main - event: pull_request permissions: - read: source_code - execute: test_runner - write: test_reports ``` --- #### 2. **构建多Sub Agent协作系统**（基于引用[2][^3][^4]） 1. **设计Agent工作流**： ```mermaid graph LR A[主代理] --> B[test-case-gen] A --> C[test-exec-agent] A --> D[spec-validation] C --> E[test-report-gen] ``` 2. **关键Sub Agent配置**： - **test-case-gen**：测试用例生成代理 ```yaml tools: - code_analyzer - test_template output: test_cases.json ``` - **test-exec-agent**：测试执行代理（核心） ```yaml dependencies: - test_env - browser_driver timeout: 300s retry_policy: 2 ``` - **spec-validation**：结果验证代理（引用[4][^4]） ```yaml metrics: - coverage: >80% - failure_rate: <5% ``` --- #### 3. **配置执行环境**（基于引用[2][^2]） 1. 启动本地调试服务： ```bash claude agent-server start --agents-path ./automation_agents ``` 2. 通过Web UI监控执行过程： - 实时查看状态转换 - 调试工具调用链路 - 分析执行跟踪日志 --- #### 4. **最佳实践**（综合引用[1][^1][^3][^4]） 1. **结构化任务拆解**： - 将测试流程分解为：用例生成 → 环境准备 → 测试执行 → 结果验证 → 报告生成 2. **并发控制**： ```python # 主代理协调示例 await asyncio.gather( test_case_gen.execute(), test_env.setup(), spec_validator.monitor() ) ``` 3. **冲突解决机制**： - 主代理实现结果去重逻辑 - 设置验证代理的仲裁权重 - 使用结构化输出模板统一格式 4. **工具链集成**： ```yaml # test-exec-agent 工具配置 tools: - name: playwright type: browser_automation - name: postman type: api_testing - name: appium type: mobile_testing ``` --- #### 5. **调试与验证** 1. 常见问题排查（引用[3][^3]）： - **Agent结果冲突**：检查主代理的汇总逻辑 - **执行超时**：调整`timeout`参数或优化工具调用 - **环境不一致**：使用容器化测试环境 2. 验证步骤： ```bash claude agent test test-exec-agent --input sample_code.py # 查看输出：test-report.html 和 validation_score.json ``` --- ### 配置示例：自动化测试Sub Agent系统 ```mermaid flowchart TB Master[主代理] --> |触发| Gen[test-case-gen] Master --> |并行| Env[env-setup-agent] Gen --> |测试用例| Exec[test-exec-agent] Env --> |测试环境| Exec Exec --> |原始结果| Validator[spec-validation] Validator --> |验证报告| Reporter[test-report-gen] ``` 通过以上配置，您可以在Claude中构建完整的自动化测试代理系统，实现从测试生成到报告提交的全流程自动化[^1][^2][^4]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值