[AI PM] 複製一下你的交接人成為AI Agent

既然跟同事交接很困難，那就直接複製一下你的交接同事成為 Agent 吧…. XD

這幾天一直在接那位資深同事的專案交接。對接到一半，我坐在電腦前突然愣住：等等，我之前不是已經叫 Claude Code 把這 50+ 個專案的文件都讀過一遍了嗎？那些 insights 都躺在我硬碟裡，距離做成 RAG 知識庫根本就差「最後一哩路」而已。

那還廢話什麼，直接做成 Agent 不就好了？我們公司就是做 AI Agent 的欸，自己不用自家產品實在太不專業了吧 😂

RAG 建立

我們公司的 Agent ，或是市面上的 Chatbot Agent 大多根據 QA / 向量做 RAG ，但是 Claude Code 用的是文件系統，所以我在此沒時間微調彼此做法差距，我直接請萬能 Claude Code 來

分析之前抽取過的 50幾個專案文件的 insight markdown (這個上一期做完了）
請他根據 RAG 的基本形式來做 Excel 等級的表格呈現
拿我們公司的 QA Excel 模板來 mapping 上面的基本 rag

Step 2

Step 1

有趣的是，上一篇的 Claude Code 去爬專案文件，最後結果不是 RAG ，他是產出一堆文件當作 inisght ，之後我要問 Claude Code問題，他會自己自動的基於那些 inisight grep 的關鍵字搜尋（他們稱之為「agentic search」）。

上一步的最終產出結果，有了這些 file 就可以快速回答問題

Claude Code 的設計很有趣，一位 Claude 工程師在 Hacker News 上承認 Claude Code 完全不使用 RAG，而是高/中/低三種層次逐行 grep 你的代碼庫。

靈活的低層：使用不同 Bash Command 做根據場景做不同指令，一言不合的話就會寫 Python 來搞定複雜邏輯
搜索中層：模型用 Grep/Read/Glob，而不是直接 cat /grep ，減少失败率。
抽象高層 : 用一個用一個 Task / Todo 來包裝中層低層指令，定期進度落地到 local disk 方邊追蹤，這層負責「不讓事情失控」

Step 2 : Doc 到 RAG 微調

Step 2 提示詞很簡單，但是其實是很難的工程，因為我們上一期的輸出一堆 project insight markdown ，要轉成類似問答的 Question List。這個我沒把握 Claude Code 完全轉換其中含義，所以我就花了一堆時間 back and forward 反覆驗證微調輸出結果。所以我才將 Step 2 跟 Step3 分開。

因為 Step 3 基本很簡單，的就是丟模板給 Claude Code , 進行再一次數據轉換。最終產生一個 RAG Excel File as 專案知識庫! 最後匯入我們公司 Agent 知識庫，這裡已經可以搞定查找文件這些問題了。

裡面牽涉到 RAG 調整的知識，老實說還挺難的，而且跟 Agent 系統設計有關係，調得不好 Agent 很容易失控，

舉例假設原始技術文件片段