13 - 复盘与资产化

把一次项目沉淀成下一次项目的起点

目标

复盘不是简单写一句“这次做得不错”，资产化也不是把所有文件原样打包归档。

本章的目标是：

1. 把这轮项目中真正有效和无效的决策写清楚
2. 把 prompt、脚本、模板、检查表、失败案例和数据处理套路整理成可复用资产
3. 把“这次项目依赖谁记得”转成“下次项目可以直接拿来用”
4. 输出 RETROSPECTIVE.md 与 ASSET_INDEX.md
5. 为后续 worked example、skill 沉淀和下一轮项目启动提供稳定输入

本章回答的问题是：

这轮项目到底学到了什么，哪些东西值得复用，哪些错误不该再犯？

完成标准

完成本章，不等于“项目结束后开了个会”，而是至少做到：

• 你有一份经过人类复核的 RETROSPECTIVE.md
• 你有一份经过整理的 ASSET_INDEX.md
• 你明确记录了成功决策、失败决策、未解决风险和下一步建议
• 你把可复用内容从“散落在仓库里”提升成“可检索的资产”
• 你能明确说出下次研究项目应该直接继承什么

输入与标准产物

输入

建议直接使用 01-12 章的最终产物：

输入	作用
PROBLEM_NOTE.md	回看项目最初想解决的问题
NOVELTY_REPORT.md	回看最初的 novelty 判断是否准确
EXPERIMENT_PLAN.md	对照原计划与实际执行偏差
PILOT_LOG.csv	回看哪些早期信号是对的、哪些是误判
ANALYSIS_REPORT.md	汇总已确认的 findings、边界和失败模式
REVIEW_LOOP_LOG.md	回看修复链路和 unresolved issues
SUBMISSION_PACK.md	记录最终投稿判断与剩余风险
项目代码、脚本、模板、提示词、日志、补充材料	作为可资产化对象

标准产物

产物	作用	后续会在哪用到
RETROSPECTIVE.md	记录项目目标、实际结果、关键决策、错误和下一步	下个项目启动、worked example、团队复盘
ASSET_INDEX.md	索引可复用 prompt、脚本、模板、checklist、失败案例和 skill 候选	skill 提炼、模板库、项目启动

这些 artifact 的统一命名、建议路径和状态定义见：附录 E

人类-智能体协作

阶段	智能体适合做什么	人必须负责什么	常见风险
素材归档	汇总实验、日志、脚本、prompt、版本差异	判断哪些内容真正有复用价值	把所有文件都当资产
复盘草拟	按阶段整理成功点、失败点和决策偏差	对关键判断和教训签字	写成表面总结，回避真实错误
资产清单整理	给 prompt、模板、脚本和 checklist 建目录	决定哪些资产值得长期维护	没有边界地积累“收藏夹”
skill 候选提炼	把高复用流程压缩成输入输出契约	决定是否值得升格为 skill	把一次性脚本误当通用 skill

本章默认的工作方式是：

智能体负责整理、索引和归纳；人类负责判断哪些经验值得被制度化复用。

复盘与资产化不是什么

这一章不是：

• 给项目写一段漂亮总结就结束
• 把所有 prompt 和脚本原封不动丢进附录
• 只记录成功经验，不记录错误和误判
• 把一次性技巧误包装成稳定方法

本章真正要做的是：

把项目过程中的判断、失败和可复用结构，从个人记忆中抽离出来。

工作流

Phase 0: 冻结复盘包

复盘前先确定这一轮的输入版本：

• 最终稿版本
• 最终 SUBMISSION_PACK.md
• 最终图表与附录版本
• 最终实验日志和关键脚本版本

否则后续会混入不同时间点的信息。

Phase 1: 先回答“结果相对于起点发生了什么”

复盘的第一步不是讲感受，而是对照起点与终点：

起点	终点
原始问题是什么	最终真正回答了什么
原始 novelty 假设是什么	最终哪些 novelty 站住了
原始实验计划是什么	最终哪些实验真正有用
原始投稿预期是什么	最终实际状态和风险是什么

如果这一步写不清，后面的“经验总结”通常会很空。

Phase 2: 分离三类经验

建议把经验至少拆成三类：

类别	你在总结什么
Worked	哪些做法稳定产生了正向结果
Failed	哪些做法反复失败或带来误导
Fragile	有时有效，但依赖强假设或环境

这比笼统写“经验教训”更利于复用。

Phase 3: 识别可资产化对象

不是所有输出都值得资产化。优先考虑：

• 多次复用的 prompt 结构
• 多个项目都要用的表格模板和 checklist
• 反复出现的数据处理或评估脚本
• 一再出现的 reviewer objection 与答复模板
• 值得避免重犯的失败案例

可以使用下面的判断：

如果这项内容在下一个项目里大概率还会用到，而且输入输出边界清楚，它就值得资产化。

Phase 4: 把资产分级，而不是平铺收集

建议至少分四级：

级别	含义
reference	有参考价值，但不建议直接复用
template	可作为下次起点的模板
checklist	可直接重复执行的检查单
skill_candidate	已有清晰输入输出，适合升格为 skill

这样可以避免资产库变成杂物间。

Phase 5: 写成 RETROSPECTIVE.md

RETROSPECTIVE.md 的作用不是“项目结题报告”，而是清楚说明：

• 我们以为会发生什么
• 实际发生了什么
• 为什么偏差出现
• 下次应直接继承什么，直接避免什么

一个可选的资产化流程图（LaTeX/TikZ）

如果你想在本章放一张“从项目结果到资产沉淀”的图，可以直接使用下面的 LaTeX 代码：

Retrospective and assetization in this handbook turn one finished project into reusable knowledge objects for the next project.

使用时需要：

\usepackage{tikz}
\usetikzlibrary{positioning,arrows.meta}

RETROSPECTIVE.md 模板

# Retrospective

## Project Snapshot
- Original question:
- Final answered question:
- Final status:

## What Worked
1. ...
2. ...

## What Failed
1. ...
2. ...

## Fragile Lessons
1. ...
2. ...

## Decision Review
- Best early decision:
- Worst early decision:
- Most misleading signal:
- Most valuable negative result:

## Reuse Decisions
- Keep doing:
- Stop doing:
- Needs stronger guardrail:

## Next Project Suggestions
1. ...
2. ...

ASSET_INDEX.md 模板

# Asset Index

| Asset Name | Type | Source | Reuse Rule | Status | Notes |
|------------|------|--------|------------|--------|-------|
| pilot-checklist-v1 | checklist | docs/06 | reuse as-is for ML pilot | active | |
| novelty-claim-card | template | docs/04 | use before experiment planning | active | |
| review-issue-table | template | docs/08 | use for rebuttal prep | active | |
| failed-long-run-heuristic | failure_case | project logs | avoid full-scale run before pilot | active | |
| paper-claim-matrix | skill_candidate | docs/09 | promote when used in 2+ projects | draft | |

工具接入建议

这一章更适合吸收 附录 D 里“skill 契约、状态持久化、经验抽取”的来源：

工具 / 来源	更适合做什么	不要直接拿来做什么
ARIS skills / stateful workflow	提炼阶段产物、复盘状态和流程骨架	把一次性项目细节误写成通用规则
Anthropic Skills	判断哪些经验适合升格为 skill contract	把未稳定的方法直接产品化
AI-research-SKILLs	提供可复用 research task 单元的写法	用 skill 包装不清晰的输入输出
The AI Scientist	观察多轮实验分支和日志组织方式	直接把自动探索记录等同于高质量资产

这里强调的是从已有自动化科研系统和 skill 框架中提炼“如何沉淀经验”，而不是传统项目结题式总结。

质量控制

1. 必须记录失败和误判

只记录成功经验，资产库会系统性误导后续项目。

2. 资产化对象必须有复用边界

没有输入输出边界的经验，不适合直接升格为模板或 skill。

3. 一次性技巧不要假装通用

如果它强依赖某个项目、数据集或个人习惯，就先停留在 reference。

4. 负结果是高价值资产

清楚解释“为什么这条路不值得再试”的失败案例，往往比成功 prompt 更可复用。

5. 资产库必须可检索

如果未来找不到、看不懂、用不上，就不算真正资产化。

常见错误

错误 1：只做情绪总结，不做决策复盘

表现：复盘里全是“时间很紧”“过程很辛苦”。

解决：重点记录判断、偏差、信号和决策质量。

错误 2：把所有文件都收进资产库

表现：仓库里任何东西都算资产。

解决：按 reference / template / checklist / skill_candidate 分级。

错误 3：不记录失败模式

表现：保留成功模板，但失败案例完全消失。

解决：为高成本误判单独保留 failure case。

错误 4：没有复用规则

表现：知道某个 prompt “挺有用”，但不知道什么时候用、怎么用。

解决：在 ASSET_INDEX.md 里写清 reuse_rule。

错误 5：复盘不回看起点

表现：只看最后结果，不对照原始问题和原始计划。

解决：先写“起点 vs 终点”，再写经验。

检查清单

完成本章后，你应至少能回答：

问题	状态
我是否对照了原始问题、计划与最终结果？	[]
我是否区分了 worked、failed 和 fragile 经验？	[]
我是否把可复用对象分级整理了？	[]
我是否记录了关键失败案例和误判？	[]
我是否为资产写清了复用规则？	[]

小结

复盘与资产化的关键不是“给项目收尾”，而是：

1. 回看起点与终点的偏差
2. 把经验分成 worked、failed 和 fragile
3. 挑出真正值得复用的 prompt、脚本、模板、checklist 和 failure case
4. 产出 RETROSPECTIVE.md 与 ASSET_INDEX.md
5. 为下一轮项目、worked example 和 skill 提炼准备输入

至此，这本手册从问题定义、投稿，到项目沉淀形成了完整闭环。接下来最值得做的是选一个真实 AI/ML 项目跑通整条链，验证每章 contract 的清晰度。

---

引用 ARIS：本章的阶段化产物、状态持久化和经验沉淀思路主要来自 ARIS 的 skill 化 workflow。

扩展来源：这一版还吸收了 Anthropic Skills、AI-research-SKILLs 和 The AI Scientist 中关于 task contract、经验复用和分支结果沉淀的可执行经验。完整来源见：附录 D