懂产品，
也懂 Agent 工程化。
两个个人 AI Native 作品 + 一套我自己 own 的 AI Agent Harness。
不是 PPT，是每天在自己机器上跑的产品和方法。
openclaude · 理财工具 · Agent Harness
Memory · Agent Loop 齐全
idea → 调研 → 设计 → 开发 → 部署
openclaude · 内部模型 API 资源的 PM 工作台
拿到一个可调用的内部模型 API 资源时做的第一个端到端产品。当时只想要一个能自己长期维护、决策都讲得清的产品——这就是 openclaude。不能开源，但每一条产品决策都可以讲。
它是什么
为什么这么做
- 01定位 · 拿到内部模型 API 资源后，需要一个能自己长期维护的端到端产品，把 PM 工作流真正落到产品决策上，而不只停留在 prompt 层
- 02形态选型 · 选客户端而非 Web，对齐 Codex 这类 Agent 异步执行平台的本地化形态——任务下发后 agent 自主跑、分步交付结果
- 03纵深目的 · 本职在做的电商 AI Agent 也是端形态产品，openclaude 让我在自有项目中深入 agent 执行、工具调用、记忆存储等技术细节，直接用到本职工作上；同时它也是 Agent Harness 五件套的真实跑测场，反过来驱动整套体系迭代
个人理财工具 · 前后端 + 部署一人 own
不是设计稿、不是 demo——这是一个长期自用、跑在公网、有真实数据流的全栈工具。
技术栈
- URLfin.reasty.top（demo 密码：demo2026）
- StackVite + React + Hono + SQLite + 阿里云 ECS
- Owner一人需求 · 一人设计 · 一人开发 · 一人运维
- Use本人长期自用 · 真实数据流验证
一套我自己 own 的 AI Agent Harness
不是 17 个孤立的 skill，而是 Skills + Subagent + Rules + Memory + Agent Loop 五件套齐全的个人 agent 支架——每天跑在我自己机器上，边用边修，反过来驱动整套体系迭代。
flowchart LR
R[Rules
always-on 行为约束]:::sat -.约束.-> LOOP
M[Memory · Experience
跨会话长期记忆]:::sat -.上下文.-> LOOP
LOOP[Agent Loop
dev-planning 编排]:::core --调度--> S[Skills × 17
SDLC 全流程能力]:::sat
LOOP --派发--> SA[Subagent
dev-executor]:::sat
classDef core fill:#eedfc7,stroke:#2a1e13,stroke-width:2.5px,color:#2a1e13
classDef sat fill:#fafafa,stroke:#2a1e13,color:#2a1e13
Skills · 17 个 SDLC skill
17 个 skill 覆盖完整 SDLC——松耦合可独立运行，也能端到端串联。每个 skill 是一个完整的执行单元——SOP 流程 + 脚本 + 产出模板 + 边界约束，agent 触发后按结构走，不靠即兴发挥。
- 分层链路：idea-shaping → product-research / requirement-analysis → product-design → ui-design / tech-design → dev-planning → spec-driven-frontend / spec-driven-backend / ai-agent-engineering → test-guard → easy-deploy
- _shared/ 协议复用：跨 skill 复用的协议（AI Agent 项目两步判定、5 维度设计评审、9 段式 DESIGN.md 等）统一抽到
_shared/，单 skill 内禁止重复造轮子 - 设计取舍：宁可让 skill SOP 严苛，也不让 agent 自由发挥——每个 skill 都带"不适用"清单防越界
Subagent + Agent Loop
大项目让单个 agent 一路跑容易跑偏。dev-planning 负责"拆 + 管"，dev-executor 负责"干"——上下文短、职责清、每一步都能停下来等人确认。
- 任务再切片：每个 Milestone 太大就切成 Slice，每个 Slice 派一个 dev-executor 子 agent 单独干，上下文短、不串味
- scope 冻结：每个 Slice 开工前写死"做什么 / 不做什么 / 哪些是红线"，子 agent 不能自作主张砍功能或加功能
- HITL 人工卡点：关键决策必须停下来等人确认，agent 不能偷偷跳过——信任靠协议保障，不靠默认
Rules + Memory
Skills 是"被触发才用"的能力库，Rules 和 Memory 才是 agent 的常驻意识——前者是 always-on 的行为约束，后者是跨会话累积的经验。两者一起，让 agent 越用越懂我。
- Rules：项目级 always-on 约束（中文回复、不擅自创建文档、不绕过 SOP 直接写码等），不需触发，每次推理都生效
- Memory：用户偏好 / 项目背景 / 经验教训分类沉淀，agent 在执行前主动召回，避免反复问相同问题
- Experience：把成功的工作流（如"作品集文案专业性优化流程"）沉淀成可复用的步骤模板，下次直接套用
17 个 Skill 怎么串起来 — SDLC 流水线总图
从模糊想法到推上公网，覆盖完整 SDLC。实线 = 主路径，虚线 = 旁路——任何 skill 都可独立运行（无上游也能跑），也能端到端串联。
flowchart LR
S0["⓪ 破题
idea-shaping"]
S1["① 探索与需求
product-research
requirement-analysis"]
S2["② 方案设计
product-design
ui-design · tech-design"]
S25["②⁺ 开发编排
dev-planning"]
S3["③ 工程落地
spec-driven-frontend · spec-driven-backend
ai-agent-engineering · easy-build"]
S35["③⁺ 质量守卫
test-guard"]
S4["④ 部署上线
easy-deploy"]
SX["旁路 · 演示与对齐
product-demo · project-kickoff
presentation-design"]
S0 --> S1 --> S2 --> S25 --> S3 --> S35 --> S4
S2 -.-> SX
SX -.-> S4
classDef stage fill:#fafafa,stroke:#2a1e13,color:#2a1e13,stroke-width:1.2px
classDef side fill:#fafafa,stroke:#2a1e13,color:#2a1e13,stroke-dasharray:4 3
class S0,S1,S2,S25,S3,S35,S4 stage
class SX side
这套 harness 不是设计完就冻结的——我每天用它做 PM 工作（写 PRD、调研、做方案、跑 demo），每次跑到不顺手的地方就回头改 skill / 调 rule / 沉淀 experience。产品在用 harness，harness 也在被产品打磨——这是它从"个人玩具"变成"可演进资产"的根本原因。
三个项目 · 三个能力维度
从 AI Agent PM 岗位视角看，这三个项目各自能证明一类不同的能力。