一个 Skill 教遍所有技术栈不靠预置课程靠元协议 四份范例你想做一个AI 私教Agent。第一个设计决策就卡住你教学内容写死吗写死质量可控但它这辈子只会教这一门课学员说我想学 Kafka你就得重写一遍。不写死什么都能教但生成质量听天由命每次问出一张不同的学习路线。这是所有通用型 Agent都要面对的两难能力与确定性不可兼得——除非你预置的不是内容而是生成内容的协议。这篇拆解开源项目 tech-stack-architect-coach 的核心创新一个技术栈无关的动态模块池协议。它让同一个 Skill 能教 Redis、Kafka、MySQL、Vue、ES、Nginx…… 同时实测同一输入两次生成的模块池 100% 一致R7 一致性测试14/14 模块名与分层完全相同。TL;DR 速览讲什么不预置课程内容而是预置生成课程的协议——通用型 Agent 的设计五件套核心结论通用性的答案不是什么都预置而是把生成方法本身协议化范例质量 生成质量三个关键数字L1–L4 四层判定 每池 8–14 个模块 跨会话一致性100%门槛 70%适合谁做动态生成类 Agent被生成质量不稳定折磨的人目录一、预置内容 vs 动态生成先看清两难二、解法元协议——预置生成方法不预置内容三、模块的 4 条铁标准四、L1–L4 分层给任意技术栈对号入座五、五步法从知识地图到质量自检六、模块元数据让路线可以按目标重排七、通过标准验做出来不验听懂了八、质量自检清单生成器的单元测试九、四份范例小样本撬动大确定性十、与诊断结论联动同一份模块池三种学员十一、可复用清单十二、总结一、预置内容 vs 动态生成先看清两难预置内容动态生成覆盖面一门课一份内容任意技术栈质量人工打磨可控依赖模型当场发挥一致性稳定同输入可能出不同结果维护成本加一门课写一份改协议一处全域生效个性化千人一面可按学员基础/目标/时间调整直觉上动态生成全是优点但它的死穴是中间两行质量没保障、结果不稳定。大多数项目倒在每次生成都不一样上——学习路线这种东西今天一张明天一张用户凭什么信你所以这个设计要回答的真问题是怎么让动态生成拥有接近预置内容的确定性和质量二、解法元协议——预置生成方法不预置内容答案是把预置对象从内容换成生成内容的协议每个技术栈一份写不完什么技术栈都能生成预置内容方案Redis 课.md Kafka 课.md ...通用 Skill元协议方案模块池生成协议.md 四份风格范例协议文件module-pool-generation.md里没有任何具体技术的教学内容只有模块的粒度标准什么算一个模块分层判定标准L1–L4 四层按逻辑角色对号入座元数据规范依赖、时长、按目标的优先级通过标准的写法硬要求可执行、量化五步法生成流程 质量自检清单四份少样本范例Redis/Kafka/MySQL/Vue锚定风格与粒度README 里有一句贡献指南把这个原则说得很死改进协议文件直接提 PR注意保持通用框架定位——不要往 Skill 里加具体技术栈的预置教学内容模块池是运行时生成的。新增技术栈的生成效果不佳时优先改进分层规则与范例而不是加特例。“改规则不加特例”——这句就是整个设计的定海神针。三、模块的 4 条铁标准生成的最小单位是模块协议给模块定了 4 条必须同时满足的标准单一知识点单元一个模块只解决一类问题——缓存穿透治理是一个模块缓存不是可验收有明确的、可操作的通过标准时长有界预估 0.5~2 天可完成超 2 天必须拆分可独立讲解内部自成闭环场景→概念→原理→编码→验证→面试六步走。协议还给了反例直接点名禁止形态反例禁止“Redis 高级篇”不可验收、“数据结构与持久化”两个知识点混装、“消息队列原理”超过 2 天上限。为什么反例重要LLM 生成的典型毛病恰恰是XX 高级篇这种又大又虚的模块——把禁止形态写出来比写 10 句正面要求都管用上一篇硬约束解剖学里的违规形态枚举在这里复现了。四、L1–L4 分层给任意技术栈对号入座任何技术栈的知识体系都按四层组织。注意设计精髓分层名是逻辑角色不是固定栏目——非后端载体可以把层名换成同义词前端 L3 叫性能与工程化层但判定标准不变且layer字段必须保留 L1–L4 前缀。层判定标准后端典型内容前端典型内容L1 基础层使用该技术的最小必要知识后续一切的前置核心数据结构、连接与序列化、线程模型组件模型、响应式数据流、路由与状态管理入门L2 核心机制层该技术赖以工作的内部机制生产必配持久化、索引、事务、副本与一致性协议渲染机制、更新调度、响应式依赖追踪L3 高可用与治理层生产环境的坑与稳定性保障面试最高频高可用、集群、限流降级、容量规划、监控性能优化、内存泄漏治理、错误监控、工程化L4 实战层用该技术解决真实业务问题的组合打法分布式锁/幂等/延迟任务、典型架构落地复杂组件抽象、中台方案、大型应用架构四份真实分层映射协议原文RedisL1数据结构/序列化/线程模型L2RDB/AOF/主从L3哨兵/Cluster/缓存三坑/大KeyL4分布式锁/Lua/监控KafkaL1Topic/Partition/生产者消费者L2存储机制/副本与 ISR/位移管理L3重平衡/exactly-once/积压治理L4延迟队列/事务消息/压测调优MySQLL1索引与执行计划L2事务与 MVCC/日志体系L3锁/主从/分库分表L4慢查询治理/线上故障复盘VueL1组件与响应式基础L2渲染与更新机制/编译优化L3性能优化/内存泄漏/错误监控L4复杂状态方案/组件库封装判定标准与载体无关是这套协议能跨技术栈复用的根基。这也是项目留给贡献者的扩展点生成新载体效果不好优先打磨的是这张判定标准表。五、五步法从知识地图到质量自检第1步 建立知识地图列 10-16 个候选知识点对照官方文档章节 × 主流面试考点交叉验证第2步 知识点归层按 L1-L4 判定标准对号入座第3步 拆分与合并超 2 天拆不足 0.5 天合并目标规模 8-14 个模块第4步 标注元数据依赖 / 难度 / 时长 / 按目标优先级第5步 质量自检逐条过 7 项检查清单不过则回到对应步修改第 1 步知识地图怎么列给了可操作的口径依据训练知识列出该技术栈一个高级开发者必须掌握的知识点清单对照官方文档章节结构 × 主流面试考点清单交叉验证防结构性遗漏规模参考最终 8–14 个模块。少于 8 个通常是粒度太粗多于 14 个通常是切得太碎——数字本身就是质量的代理指标。六、模块元数据让路线可以按目标重排每个模块强制携带元数据---id:05title:缓存三大坑治理穿透 / 击穿 / 雪崩layer:L3 高可用与治理层difficulty:进阶prerequisites:[01]goals:[面试冲刺,项目落地,系统学习]duration:0.5priority_by_goal:{面试冲刺:10,项目落地:9,系统学习:7}---priority_by_goal的填写规则写得非常具体面试最最高频的考点模块打9–10一般全池只有 2–3 个高频 7–8中等 5–6冷门但成体系必需的 3–4边角知识 1–2。这套打分的意义同一份模块池按不同目标列降序就是三条不同的推荐路线——面试冲刺走考点优先项目落地走实战优先不必为每种目标维护一份独立内容。元数据是一次生成、多路复用的关键。七、通过标准验做出来不验听懂了协议对通过标准的写法提出了 4 条硬要求这一条最能体现工程品味① 可执行——“做一件事 看到什么结果”不是理解某概念❌ “理解 RDB 和 AOF 的区别”✅ “在项目中同时开启 RDB 和 AOF制造一次宕机用日志证明数据恢复到了哪个时间点并能口述两种持久化各自的取舍”② 量化或可视化且按载体类型选指标载体类型主要验证手段量化指标示例后端服务压测 / 集成测试 / 日志分析P99 延迟、QPS、错误率、恢复时间前端应用Lighthouse / 构建产物分析 / 单元测试LCP、性能分、包体积、覆盖率移动端真机调试 / Profiler冷启动时间、帧率、内存峰值、崩溃率大数据任务跑批 / 数据校验吞吐、延迟、一致性抽查通过率SRE 工具链故障注入 / SLI/SLO 观测可用性、MTTR、告警覆盖率③ 与教学流程对齐通过标准落在六步走的第 ⑤ 步验证环节第 ⑥ 步面试追问另附 2–3 道连环题。④ 最重要的一条——验做出来 ≠ 验理解通过标准验的是动手结果压测达标/测试通过/口述成因不混淆知识点是否已完成还需学员确认理解。模块完成 通过标准达成 且 所含知识点均已确认理解。这一句把上一篇讲的讲解 ≠ 完成红线直接接进了模块的完成定义里——协议文件之间是相互咬合的不是各自为战。八、质量自检清单生成器的单元测试模块池生成后逐条自检、全部通过才允许进入下一阶段模块数在 8–14 之间每个模块都有明确的 layer、prerequisites、duration、priority_by_goal依赖图无环L1 模块无前置每个模块的前置都在它之前每个模块都有可执行的、量化的通过标准覆盖了该技术栈面试最高频的至少 80% 考点有一个贯穿全课程的统一项目载体每个模块的实战都能在其中落类难度曲线平滑不存在前一模块入门、后一模块突然实战的无铺垫跳跃这份清单就是生成器的单元测试模型自己产出、自己核对不通过就回到对应步骤修改。它和上一篇的门禁、第一篇的量规是同一种思想的三个应用场景——不要让关键质量依赖模型的自觉要让检查成为流程的一部分。九、四份范例小样本撬动大确定性协议的最后一部分也是整个设计里最贵的资产Redis14 模块完整版、Kafka12、MySQL10、Vue10四份模块池范例外加一个缓存三大坑模块的完整详卡元数据 六段式场景引入→概念解释→原理简述→实战落地→通过标准→面试连环追问。协议对范例的定位写得很清楚以下示例供你模仿风格与粒度不是让你背诵内容。为其他技术栈生成时结构、元数据齐全程度、通过标准的具体程度都要对齐这些范例。四份范例 × 四种载体后端 ×3 前端 ×1恰好覆盖教会模型什么叫合格的粒度所需的最小样本集。这份投入的直接回报就是 R7 一致性测试详见专栏第 1 篇两个独立会话、逐字相同的学员剧本各自生成 Redis 模块池——14/14 模块名一致、层归属一致、元数据全同、自检清单两次全过综合相似度 100%门槛 ≥70%。报告给出的结论协议 §7.1 的少样本范例对生成起到强锚定作用模块池生成具有高度确定性。范例质量 生成质量。想提升某个新载体的生成效果别调 prompt 措辞去打磨范例。十、与诊断结论联动同一份模块池三种学员协议最后一节回答了个性化问题模块池生成时必须按诊断结论调整——诊断结论联动规则学员水平 深入已掌握知识点所在模块降级为快速验证模块0.25 天通过标准入学测L1 整体降级省下的时长让给 L3/L4学员水平 入门L1 时长不变但优先级上调提示总时长可能拉长 20–30%目标 面试冲刺按面试冲刺优先级降序推荐L4 中面试优先级 ≥8 的模块不可裁剪目标 项目落地L4 实战层提前到 L3 之前通过标准改写为产出可复用代码 验证达标目标 特定场景以场景反推所需模块链“订单超时关闭→ 01→03→08→12链外标记可选”协商阶段由学员决定注意设计边界个性化不是生成不同的池子而是在同一份池子上做有规则的变换——池子的确定性保住了个性化由联动规则承担。十一、可复用清单设计你自己的动态生成类 Agent 前过一遍预置的是生成协议还是内容加新领域时改规则还是加特例生成单元有明确的粒度标准吗禁止形态写出来了吗有与领域无关的分层/分类判定标准吗生成产物有结构化元数据吗能按目标重排吗验收标准是可执行的做一件事还是理解某概念有量化指标吗指标按载体类型区分了吗有生成后的自检清单吗不通过有回退路径吗有几份覆盖不同载体的范例范例风格就是质量上限吗做过跨会话一致性测试吗同输入多次生成比对个性化是变换同一份产物还是每次重新生成十二、总结动态模块池元协议预置方法不预置内容 / 改规则不加特例模块标准单一知识点 / 可验收 0.5-2天分层 L1-L4判定标准与载体无关五步法知识地图 8-14个 / 自检清单通过标准做出来≠听懂 / 量化指标按载体范例杠杆四份范例 / R7 一致性100%一句话总结通用性的答案不是什么都预置而是把生成方法本身协议化——粒度标准、分层判定、量化验收、自检清单、风格范例五件套让动态生成拥有预置内容级的确定性。 系列导航AI Agent 工程实践专栏第 1 篇如何科学地评估一个 AI AgentSkill Lift 275% 全记录第 2 篇协议化 Prompt 设计Markdown 硬约束第 3 篇Agent 跨窗口状态续接CONTEXT.md TRACE.md 双文档模式本篇如何设计通用型Agent Skill动态模块池 vs 预置内容下篇什么是 Agent SkillAnthropic Skills 规范拆解入门你在做通用型 Agent时怎么保证生成质量的few-shot 范例你放了几个评论区交流 觉得范例质量 生成质量这个洞察值一个点赞 收藏下一篇回到入门视角聊聊 Agent Skill 这个形态本身。