onevcat/2026-let-s-vision 深度研究报告

一句话总结： 这个 repo 是一套完整的"AI 辅助演讲制作"案例——既展示了 AI Agent 时代工程实践的核心方法论，又通过完整保留的 resources/、design-fix/ 和 scripts/ 向外呈现了一套可复现的"人 + AI 协作生产演示文稿"的工作流。

1. 核心思想提炼

主问题是什么

演讲核心命题：当 AI Agent 能力已经超过大多数工程师时，工程师该如何重构自己的工作方式？

具体问题不是"怎么更快写代码"，而是：

• 上下文怎么喂对（Context 资源稀缺）
• 经验怎么沉淀（Memory/Skill 体系）
• 验收怎么自动化（从人工监督到无人值守）

引用 resources/points.md 第3条：

> "2025 年后，团队主要矛盾从'写代码慢'迁移到'上下文正确性、流程可验收性、经验可沉淀性'"

核心结论

1. 工程师正在从"亲自实现者"转为"任务编排者 + 质量守门人"

2. 序章已经落下——AI Agent（Phase IV）是不可逆的协作形态，四阶段：Tab 补全 → Chatbot → AI Editor → Code Agent

3. AI 使用能力高度个体化，个人强 ≠ 组织强，需要治理"AI 格差"

4. 从"人工监督"走向"无人值守"是 Agentic Engineering 最关键的一跳

"道"对应的约束层

道是底层约束认知，对应 resources/slide-overview.md 中 S11-S19 区段（"道"共 9 页，10 分钟）：

"术"对应的实践层

术是落地执行方法，对应 slides 中的 S20-S36 区段：

可以观察和落地的启发

1. 最小起步动作（resources/slide-overview.md 收束页建议）：1 个 Spec 模板 + 1 个验证循环，明天就能开始

2. 选顶级模型别省钱（slides.md 约 L300`）：弱模型 → 错误积累 → 返工，长期更贵

3. 数据对比驱动组织：PR 数稳定但粒度变大、合并时间从 51h 降至 20h、AI 协作占比 6 个月内 1%→50%

4. 自下而上推广：高手先跑 → 沉淀 → 复用 → 制度兜底（不要等顶层设计）

2. Slides 最终内容 vs 仓库"未完全发布内容"对比

resources/ 中早期规划与扩展观点

`resources/points.md`——62 条观点池（完整版）

slides 最终只覆盖了约 60% 的观点。以下几条没有出现在最终 slides 中：

• 点 26（2A，Develop for Agent）：

> "Agent 正在成为软件的新用户……API、注释、框架、乃至产品：第一消费者正在从人变成 Agent"

slides 末尾的"还有什么在变"页面有轻描淡写，但 points.md 明确把它列为"道"层约束之一，深度未展开。

• 点 51-52（云端化与 OpenClaw）：

> "未来主力 agent 很可能不在 local，而在云端持续运行环境中……OpenClaw 的启发是'随身、随时、随地'的 agent 可达性"

仅在 resources/slide-overview.md S19 注释中提到，最终 slides 完全没有落地。

• 点 57（极端自动化警示）：

> "在极端自动化闭环里，人可能被挤出执行环节，只保留责任承担角色"

这是一个反思性警示，resources/2026-03-shanghai-ai-agent-talk-notes.md 中提到，但最终 slides 没有展开，仅暗示。

• 点 24（渐进式披露的本质）：

> "Memory 和 Skill 的构建本质都是'渐进式披露（progressive disclosure）'的实践"

收束页的 S33 有计划加入这句话（见 resources/slide-overview.md），但最终幻灯片结尾页只有三个词组，未展开。

`resources/references.md`——9 篇学术文献（完整引用列表）

slides 的注意力 U 型图（S18）有隐式引用，但所有文献未在最终 slides 中出现，全部保存在 resources/references.md：

`resources/slide-overview.md`——早期 S19 规划（平台化战略）

原规划的 S19 内容：

> "战略落点：平台能力/权限审计/可观测性/流程自动化会成为竞争关键"

resources/points.md 点 28 也写了这一条：

> "平台能力、权限审计、可观测性、流程自动化会成为企业竞争关键"

最终 slides 里这一页被完全删除，可能因为内容偏战略/企业决策层，与"工程师实践"的定位稍有偏差。

design-fix/ 中的关键设计取舍

仓库共有 4 轮设计批评报告（design-fix/critique-report.md 到 critique-report-r4.md），记录了完整的视觉迭代过程：

轮次一（`critique-report.md`）——识别三大 AI anti-pattern

最终呈现影响最大的决策：

1. 砍掉 border-l-3 左侧粗边框：从 14 处砍到 3 处。批评报告原文：

> "当同一个视觉符号到处出现，它就停止传递信号了"

这直接改变了 slides 的信息层级语义——最终版里边框只在"核心论断"处出现，具有真实的强调意义。

2. S07 数字页重构：去掉 StatCard 组件和 hover 动效，改为纯排版驱动。~250 用 text-[7rem] font-black 作为绝对主角。批评原因：

> "4 个等宽卡片……完美命中 AI 生成界面中最常见的模式之一"

3. teal 色语义收紧：去掉 19 处非 agent 语义位置的 teal，让 teal 集中在 agent/自动化相关内容上。最终版的色彩语义：teal=Agent、amber=规范/警示、violet=知识/记忆。

轮次二（`critique-report-r2.md`）——S10 AI 协作数字页破格

核心问题：连续 5 页数据 slides 结构完全相同。最终版的 S10（AI 协作从 1%→50%）采用了：

• 大字数字放左上角（text-[4.5rem]）
• 图表在背景，数字在前景叠加
• 实现了"数字主导，图表辅证"的层级

轮次三（`critique-report-r3.md`）——S25/S26 结构孪生问题

"去掉起点"和"去掉终点"两页紧邻，最终版通过以下方式区分：

• S25（起点）：改为以文本为主的中心布局 + 三个 pill badge，轻巧感
• S26（终点）：保留复杂流程图 + detail callouts，重量感

这种"轻 vs 重"的不对称，直接对应演讲叙事："起点简单，终点才是难点"。

轮次四（`critique-report-r4.md`）——验收自动化页信息过载修复

S30（验收自动化执行页）原来同时放 5 阶段 pipeline 图 + 4 个 detail callout，被判定为"全场信息密度最高但不是最重要"。最终版删除了 detail callouts，pipeline 图放大，细节交给口头讲解。

基于 Agent 的 slide 制作启发

1. "批评-修复"闭环是可复现的工作流：design-fix/ 中的每轮报告都有明确的 Command 字段（/bolder、/distill、/polish 等），这些正是 .agents/skills/ 中对应的 skill。整个设计迭代本身就是 Agent → 输出批评 → Agent 修复的闭环。

2. Agent 审美的天敌是 Agent 自己：4 轮批评反复检查"AI Slop"——模型自己生成的内容里最容易出现模型审美陷阱，需要专门 skill 来对抗。

3. 版本化设计决策：把每一轮的 critique 保存到文件，让未来的 Agent 能理解"为什么不这样做"，避免在新对话里回退到旧版本。

3. 基于 scripts/ 工具的可复现方法

如何提取 Speaker Notes

工具文件： scripts/extract-notes.py

基本用法：

cd /tmp/2026-vision
python3 scripts/extract-notes.py slides.md

输出 JSON 数组，每个 slide 一条记录，包含：

• page：页码（"S01"~"S34"）
• lines：在 slides.md 中的行范围（如 "25-77"）
• layout：布局类型（default、center、new-section 等）
• title：页面标题（已去除 HTML 标签）
• clicks_declared：frontmatter 中声明的 clicks 数量
• click_elements：所有 v-click、v-clicks、$clicks 的行号和细节
• notes：演讲备注原文（ 中的内容）
• notes_lines：备注的行范围

实际提取一页的 notes：

# 提取 S15（slam 卡片页）的演讲备注
python3 scripts/extract-notes.py slides.md | python3 -c "
import json, sys
data = json.load(sys.stdin)
for s in data:
    if s['page'] == 'S15':
        print(s['notes'])
"

快速行号定位（配合 slide-index.sh）：

./scripts/slide-index.sh slides.md
# 输出示例：
# Page   Lines        Layout              Title
# ----   -----------  ------------------  -----
# S01    25-77        intro               AI Agent 的道与术
# S02    78-101       default             龙虾 🦞，智能体 🤖，Geek 的未来

找到目标页后，直接用 Read 工具的 offset/limit 参数跳转到对应行。

如何建立"页面 → 演讲备注 → 观点来源"追踪映射

Step 1：生成带 notes 的完整索引

python3 scripts/extract-notes.py slides.md > /tmp/slide-notes.json

Step 2：提取映射表

import json

with open('/tmp/slide-notes.json') as f:
    slides = json.load(f)

# 建立 page -> title + notes 映射
mapping = []
for s in slides:
    mapping.append({
        "page": s["page"],
        "title": s["title"],
        "notes": s["notes"][:200] + "..." if len(s["notes"]) > 200 else s["notes"],
        "clicks": s["clicks_declared"],
        "lines": s["lines"]
    })

# 打印摘要
for m in mapping:
    print(f"\n{m['page']} [{m['lines']}] — {m['title']}")
    print(f"  备注: {m['notes'][:100]}")

Step 3：与 resources/references.md 交叉关联

resources/references.md 按照 slide point 分类了所有学术引用。可以建立以下映射表：

完整追踪流程：

# 1. 用 extract-notes.py 定位某一页
# 2. 在 notes 里找到"[click] xxx"格式的要点
# 3. 在 resources/points.md 里按关键词找对应编号
# 4. 在 resources/references.md 里找该编号对应的学术依据
# 5. 在 resources/s14-s16-content.md 里查看完整演讲稿（如适用）

4. Repo 中有哪些 Skill，能用在自己的项目里吗？

Skill 体系分布

仓库有两套 skill 系统，放在不同目录下：

所有 .agents/skills/ 中的 skill 来自同一个源：pbakaus/impeccable（见 skills-lock.json），通过 skill 锁文件管理版本和哈希。

.agents/skills/ 中的 18 个 Impeccable Skills

这套 skills 是一个前端/UI 设计的 Agent 工具集，设计用于 Claude Sonnet 等 Agent：

.claude/skills/ 中的项目专属 Skills

能用在自己的项目或智能体中吗？

完全可以，而且强烈推荐。

方案一：直接引用 pbakaus/impeccable

所有 18 个 .agents/skills/ 来自公开 GitHub 仓库，可以通过 skill 管理工具直接安装：

# 如果你使用 OpenClaw 或类似的 skill 管理器
# 参考 skills-lock.json 的格式和 source 字段

方案二：复制 SKILL.md 到自己的项目

每个 SKILL.md 就是一份完整的"Agent 指令文档"，格式标准（YAML frontmatter + markdown 正文），可以直接放进：

• .agents/skills/ （针对通用 Agent）
• .claude/skills/ （针对 Claude Code）
• CLAUDE.md 或 AGENTS.md 的 @ 引用（减少 context 消耗）

方案三：critique + distill + bolder 三件套

本项目的 design-fix 流程证明：

1. 用 critique 扫描"AI Slop"（会输出结构化的 Priority Issues + Commands）

2. 针对每个 issue 调用对应 skill（/distill 去冗余、/bolder 增强冲击、/polish 最终润色）

3. 每轮结果保存为版本化文件，下次对话可继续

这套工作流可以移植到任何前端/UI 项目的迭代中，特别适合：Slidev 演示文稿、Landing Page、技术文档站点、数据可视化页面。

方案四：ui-ux-pro-max 的 CSV 数据文件

/.claude/skills/ui-ux-pro-max/data/ 下有大量结构化数据（颜色、图标、字体、UX 规则等），可以直接被 Agent 检索引用，比 prompt 里的文本描述更精确。

5. 观众扩展阅读路径

🕐 30 分钟预算：了解核心框架

1. slides.md（重点页）：读 S01（封面）、S05（四阶段）、S06（人成为瓶颈）、S13（今天的话题）、S34（还有什么在变）、S35/S36（早期/中期建议）→ 对全场有完整印象

- 定位行号：./scripts/slide-index.sh 快速找到每页起始行

2. resources/points.md：浏览全部 62 条观点，挑选自己最有共鸣的 3-5 条

- 文件路径：resources/points.md

- 建议重点：第 1-5 条（主题主张）+ 第 29-40 条（术层实践）

3. 在线浏览：（视觉效果完整，含 slam 动画）

🕑 2 小时预算：理解方法论与制作过程

第一步：完整阅读 slides.md（30 分钟）

cd /tmp/2026-vision
python3 scripts/extract-notes.py slides.md | python3 -c "
import json, sys
data = json.load(sys.stdin)
for s in data:
    print(f'=== {s[\"page\"]} {s[\"title\"]} ===')
    print(s['notes'])
    print()
" | less

第二步：阅读完整讲稿笔记（30 分钟）

• resources/2026-03-shanghai-ai-agent-talk-notes.md：完整演讲稿 v2，包含叙事逻辑、过渡语、边界说明
• resources/s14-s16-content.md：S14-S16 精简注入+控制边界+注意力图，有完整演讲备注和叙事意图

第三步：追踪设计迭代（30 分钟）

• design-fix/critique-report.md（轮次一）：理解三大 AI anti-pattern 的识别方法
• design-fix/critique-report-r4.md（轮次四）：理解最终版本的所有设计决策来源

第四步：理解学术依据（30 分钟）

• resources/references.md：9 篇论文，重点读：

- [1] Liu et al. "Lost in the Middle" (TACL 2024) →

- [4] Chroma "Context Rot" →

- [5] Anthropic "Effective Context Engineering" →

🕓 半天预算：深度复现与实践

目标：用同样的工作流做一套自己的演示文稿

Step 1：环境搭建（30 分钟）

git clone https://github.com/onevcat/2026-let-s-vision
cd 2026-let-s-vision
pnpm install
pnpm dev  # 本地运行，http://localhost:3030

Step 2：内容规划流程（复现 resources/ 目录的作用）（1 小时）

参照 resources/slide-overview.md 的格式：

• 先写"总体规划"（时长、页数、节奏）
• 再写"逐页分配"（每页标题、时间、内容要点、放入备注的次要观点）
• 最后写"合并降级规则"（时间压缩方案）

用 resources/points.md 的格式整理观点池（62 条的粒度：主题主张 / 时代判断 / 证据 / 道 / 术 / 案例 / 表达原则）

Step 3：设计迭代（复现 design-fix/ 流程）（1.5 小时）

安装 .agents/skills/ 中的 skill，按以下顺序迭代：

1. 写完初版后，运行 critique → 得到结构化 Priority Issues

2. 针对每个 issue 执行对应 command（/distill、/bolder、/quieter 等）

3. 把每轮 critique 输出保存为 design-fix/critique-report-rN.md

Step 4：提取和追踪（30 分钟）

# 提取所有 speaker notes
python3 scripts/extract-notes.py slides.md > notes-index.json

# 生成页面索引
./scripts/slide-index.sh slides.md > slide-index.txt

# 建立 page → notes → references 映射（参考上文 Section 3）

Step 5：阅读扩展材料（1.5 小时）

• CLAUDE.md：理解 Agent 在此仓库中的工作指南（项目结构、关键约定、设计语言定义）
• .agents/skills/critique/SKILL.md + .agents/skills/frontend-design/SKILL.md：完整的 AI Slop 检测体系
• .claude/skills/slidev/ 目录：50+ 个 Slidev 功能参考文档
• output/prompts/02-framework-topic-overview-notion.md：topic-overview.png 的生成 prompt，展示了如何用结构化 prompt 生成插图

附录：仓库关键文件速查

发布日期：2026-03-29