Compounding Engineering Pattern

传统软件工程存在边际收益递减的问题：每新增一个功能特性都会提升系统复杂度，导致后续功能特性的开发难度加大。技术债务不断累积，员工入职适应周期变长，新团队成员难以快速产出成果。

在使用AI编码Agent时，这一问题会被进一步放大——由于经验知识未被系统地捕获与规范化，Agent会反复犯下相同的错误。

转变思路：将所有经验总结固化为可复用的Agent指令，让每个功能都具备可复利迭代的复合价值。

当你完成一个功能后，请记录以下内容：

1. 计划中有效的举措以及需要调整的部分
2. 测试阶段发现的、此前未被排查出的问题
3. Agent犯过的常见错误
4. 值得复用的模式与最佳实践

随后将这些洞察融入以下载体：

• Claude MD / 系统提示词（system prompts）：全局编码标准
• 斜杠命令：可重复执行的工作流（例如 /test-with-validation）
• 子Agent：专用验证器（例如安全审查Agent）
• 钩子（Hooks）：防止回归问题的自动化检查

最终效果：每个功能都会让下一个功能的开发更轻松高效，因为代码库会逐渐具备“自我学习”的能力。

graph LR
    A[开发功能] --> B[记录经验总结]
    B --> C[转化为提示词/命令]
    C --> D[下一个功能复用已有知识]
    D --> E[开发更轻松高效]
    E --> A

功能开发阶段：

1. 追踪Agent最初出现错误的点
2. 记录计划中需要修订的部分
3. 文档化测试过程中发现的边缘案例
4. 梳理需要反复解答的问题

功能完成后：

1. 在CLAUDE.md中更新新的编码规范或模式
2. 为需重复执行的工作流创建斜杠命令（slash commands）
3. 为专项验证任务构建子Agent（subagents）
4. 添加钩子（hooks）以自动规避常见错误
5. 编写可固化需求的测试用例

来自Every的示例：

“我们有一种名为‘复利式工程’的开发范式，核心目标是让下一个功能的开发更顺畅……我们会把所有实践积累的经验教训都固化下来。测试初期我们发现了哪些问题？遗漏了哪些内容？随后我们会将这些经验整合到所有prompt、子Agent和斜杠命令中。”

这种模式能让非专业人员快速进入高效工作状态：

“哪怕我完全不懂代码的运行逻辑，也能直接切入某一代码库开展工作，因为我们有这套累积构建的记忆系统。”

优点：

• 提升生产效率：每个功能都切实让后续操作更高效
• 知识留存：经验成果不再依赖个人记忆
• 优化入职体验：新团队成员（人类或AI）可复用积累的知识
• 减少重复失误：Agent不再犯相同的错误
• 动态文档：由于日常被使用，指令始终保持时效性

缺点：

• 前期时间投入：需要在每个功能完成后坚持记录，需具备自律性
• 维护成本：随着模式变化，prompt和指令需要持续更新
• 过度规范风险：过多规则会导致Agent灵活性下降
• 工具依赖：需要可扩展的Agent系统（如斜杠命令、钩子等）
• Prompt膨胀：系统prompt会随时间推移逐渐变得臃肿庞大