AI 高效工作流：原型实验 + 倒带压缩
介绍一种 AI 工作流：通过 /prototype 进行原型实验，再用 /rewind 结合 summarize 将过程压缩为结构化知识，实现从试错到认知的跨越，并将昂贵的 Token 消耗转化为可复用的产品记忆。
很多人使用 AI 时，就像在沙堆上盖房子，一边堆一边塌。盲目地在对话框里堆砌指令，不仅浪费算力，还难以沉淀有效知识。一种新的工作流正在被讨论：通过 /prototype 进行原型实验，再利用 /rewind 结合 summarize 功能将实验过程压缩为结构化知识，从而在保持上下文精简的同时，实现从“试错”到“认知”的跨越。
核心内容
该工作流的核心步骤是：先用文档去“拷问”AI，遇到答不上来的问题，直接进入 /prototype 模式，不计成本地消耗 Token 去做一个原型。等原型跑通了，关键动作来了：使用 /rewind 回到问题点，并执行 summarize。
这本质上是在做一种上下文的“垃圾回收”与“知识提取”。有网友提到，这个组合拳最厉害的地方在于，它把昂贵的 Token 消耗从单纯的“氛围感试错”转化成了可复用的“产品记忆”。如果你只是盲目地在对话框里堆砌指令，你是在浪费算力；但如果你学会了“自由探索→压缩学习成果→带着更优上下文继续”，AI 才真正开始像一个工程协作伙伴。
这让人想起操作系统的内存管理。直接把所有运行日志塞进上下文，迟早会触发 OOM（内存溢出）或者让推理变得极其迟钝。通过 summarize 进行压缩，就像是把频繁访问的热数据提取成索引，把冗长的执行路径变成了一行简洁的函数调用。
有观点认为，这种流程一旦跑通，就可以将其封装成 SKILL.md，让整个团队直接共享这种思维模型，而不是每个人都去重新发明轮子。
价值与影响
不过也有人觉得，这种频繁的“倒带”操作可能会打断心流。这大概取决于你是在做简单的 Prompt，还是在进行深度架构设计。如果实验本身就是为了寻找答案，那么在看到答案的那一刻，把过程“压缩”掉，只留下结论，或许是目前最高效的交互方式。下一步该怎么做？或许是把这种经过验证的流程，直接变成 Agent 的内置技能。
