WeChat
ai-engineeringdev-tools
Original source

backpass — 讓 AGENTS.md 像神經網絡一樣迭代（梯度下降記憶優化）

Summary

  • backpass 把 AGENTS.md / CLAUDE.md 的維護從「想起來才改」變成有約束的反向傳播
  • 核心概念：記憶文件 = 權重，每次會話 = 前向傳播，會話記錄 = 損耗信號
  • 讀取 7 種 agent harness（Claude、Codex、Pi、OpenCode、Grok、Cursor CLI、Hermes）的本地會話記錄
  • 分析哪些指令被遵守、哪些被違反、哪些缺口未覆蓋，生成帶證據的 diff

六步流水線

  1. 收集樣本 — 從 7 種 harness 本地存儲讀取會話，按目錄/git remote/路徑歸因
  2. 蒸餾 — 折疊工具調用、截斷輸出、脫敏，壓縮率 96-99%
  3. 計算損失 — 每條會話獨立過輕量模型，返回 JSON（生效/違反/缺口 + 原文引用）
  4. 聚合梯度 — 按指令統計正負證據，至少 2 個獨立會話才進入候選
  5. 梯度下降 — 高推理模型轉成 ADD/REMOVE/REWRITE/EXTRACT→SKILL 四類編輯，每輪最多 5 項
  6. 應用 — 靜態審查界面，每項編輯展示 diff + 原文引用，人工確認

關鍵設計

  • 分析階段永不寫文件，只有 backpass apply 才修改，必須人工確認
  • 預算 5000 token（~20KB），超過進入收縮模式：新增必須同時刪除或拆成 skill
  • 高頻/安全內容留 AGENTS.md，偶發/具體內容抽成 skill
  • 所有模型調用通過 acpx 轉發，不保存 API key
  • 支持 macOS/Linux，Cursor IDE 支持推遲到 v1.1

使用

npm install -g backpass
backpass init
backpass        # 僅分析
backpass apply  # 人工審查後寫入

適用場景

  • 大量會話積累但記憶文件長期無人維護的倉庫
  • 會話記錄不足時收集到的梯度會很稀疏