AGE：引力驱动的 AI 原生工程方法论

AGE（Attractor Guided Engineering，吸引子引导工程）是我在创建 nop-chaos-flux 过程中发展出的一套 AI 原生工程方法论。

https://github.com/entropy-cloud/nop-chaos-flux 是一个完全由 AI 主导开发的大型前端框架项目。

与典型的 Harness 方法论不同，AGE 的概念源头来自数学物理中动力系统的受控收敛图景。因此，相较于从经验积累中总结出来的方法论，它具有鲜明的创新性。当大型 AI 模型直接阅读 AGE 相关文档和实践时，往往抓不住重点，频繁退回到自己更熟悉的工程话语体系中。例如：

• 把吸引子理解为边界、护栏或更强的约束；
• 把 skills 理解为知识组织的主要载体；
• 把信息形式问题归结为“是否要统一 spec”；
• 把 Plan 理解为执行清单或审批页面；
• 把日志、bug 和历史记录视为事后归档，而不是系统收敛机制的一部分。

但真正的要点并不是这些。

1. AI 是一种高频随机扩张力，系统必须具备内生的收敛能力

在工程系统中，AI 更像是一种带有内在随机性的高速扩张力。如果希望 AI 持续参与系统演化，而又不导致整体漂移，就不能把收敛能力寄托在模型自身之上。相反，它必须内生于由 Agent、文档、代码，以及验证、审计和记忆机制共同构成的整个系统之中。

换句话说，真正让系统持续稳定收敛的，既不是 AI 自发产生的某种方向感，也不是少数人头脑中尚未外化的架构判断，而是这个扩展认知系统所提供的结构性地形。

2. 通用 Skills 无法替代项目特有的吸引子

通用 skills 至多能够掌握某类任务或某个领域的共通知识，但通常无法理解这个具体项目为什么要这样设计。尤其是，它们缺乏对项目定位、架构权衡、设计哲学、总体原则、历史包袱和当前基线的牢固把握。因此，它们不足以形成项目特有的吸引子。

当系统只能访问大量缺乏明确权威层级、证明关系和优先级约束的信息时，信息越多，反而越容易放大冲突，加剧系统的不稳定性。真正需要的既不是通用的架构样板，也不是某种公式化的目录结构，而是项目自身特有的设计思想、语义权威链和长期收敛方向。

吸引子引导的实质，并不是“把架构写清楚”，而是把项目特有的设计思想、宏观原则、权威关系、证明链和历史否定空间组织成一个系统性结构，使其能够持续塑造后续的演化趋势。也就是说，吸引子不是某一份文档，而是由仓库中的多种产物共同承载的一种稳定收敛拓扑。

3. 信息本身独立于形式，但形式会影响智能计算的效率

信息本身独立于形式；同一种语义可以存在于文档、代码、测试、DSL 和日志等不同载体之中。然而，形式会显著影响智能计算的效率、稳定性和歧义率。

因此，问题并不在于是否必须采用统一的 spec，而在于信息的组织方式是否契合领域逻辑。与其把知识压平成由固定格式组成的平面列表，更好的做法往往是按照领域概念、语义关系和权威层级分别进行组织，再通过链接建立拓扑结构。领域特有的表达方式，更有可能实现高效的信息组织和语义传递。

重点不在于“统一形式”，而在于“让结构服从领域”。

4. Plan 是局部收敛闭环，必须接受外部审计

Plan 的作用不是充当一次会话中的临时草稿，而是作为一轮局部变更的验证闭环与收敛机制：为什么这次要改、边界在哪里、怎样才算真正闭环，以及还遗留了哪些后续义务。

正因如此，Plan 本身及其执行结果都必须接受强制性的外部审计，避免陷入“由实施者定义完成标准，再由实施者自行宣布完成”的自证陷阱。

至于 Plan 的具体结构，并不需要绝对统一；可以根据项目复杂度、任务风险和当前 AI 的可靠性动态调整。例如，是否引入 skill 选择审查，以及如何设置闭环门禁的强度。

5. 轨迹是核心对象，轨迹挖掘是生成未来收敛能力的机制

从动力系统的视角来看，有一个极其关键却经常被忽略的对象：轨迹。大多数实践仍停留在任务驱动层面：任务完成以后，脚手架似乎就失去了作用，历史是否保留也无关紧要。这恰恰是一个普遍存在的盲点。

仅仅关注单次任务是否完成还远远不够，更重要的是持续记录系统的演化轨迹。轨迹的意义不仅在于记录过去发生了什么，还在于从系统历史中持续提取趋势信号和周期性信号，例如：

• 哪些误解在反复出现；
• 哪些局部正确的决策正在累积成方向性错误；
• 哪些审计误报正在浪费系统预算；
• 哪些设计债务在周期性复发；
• 哪些临时补丁最终总会重新生长为结构性问题。

这些轨迹信息不应在任务结束后被丢弃，而应进一步提炼为带有倾向性的审计 prompt、校准规则、规范性文档补丁或约束性文档增量，从而形成一种不断增强的收敛力。

与当前普遍仍停留在任务驱动层面的实践相比，轨迹挖掘代表着从“完成任务”升级为“塑造长期、可控的演化”。

AI 负责扩张；项目特有的吸引子负责定向；Plan 负责局部闭环；轨迹挖掘负责持续增强收敛能力。而这一切都必须建立在符合领域语义拓扑的信息组织之上，而不能依赖通用 skills 或固定模板。

吸引子引导解决的是系统长期向哪里演化；轨迹挖掘解决的是系统如何从自身历史中持续生成更强的收敛能力。正是二者的结合，让 AGE 真正超越了围绕 skills、guardrails、workflows 和 review-agents 展开的常见叙事。

AGE 模板：https://github.com/entropy-cloud/attractor-guided-engineering-template

吸引子先于 Harness：一种面向大规模 AI 开发的方法论

从 Spec-Driven Development 到 Attractor-Guided Engineering

为什么 Attractor Guided Engineering 不能被降格为一种 AI Agent Skill

控制层与方向层之间的分野：OpenProse、NLAHs 与 AGE

如需采取进一步措施，你可以考虑屏蔽此人和／或举报滥用行为。