开篇：那个让我意识到问题的早晨
4月初，一个普通的周一。
我在飞书看到一条消息，切到浏览器查资料，切回来复制粘贴给卷卷，等它回复，再把结论贴回飞书。
整个过程：7次切换，4次复制粘贴，2分钟。
我突然停下来想：
我在用一个 AI，还是在给 AI 打下手？
工具链没打通，AI 再强也是孤岛。
第一课：什么叫工具链协同
单工具用法：
我 → 卷卷 → 我工具链用法：
飞书消息 → 卷卷 → 飞书文档
GitHub PR → 卷卷 → Review 评论
日历事件 → 卷卷 → 会议纪要 → 飞书区别在哪？
信息自己流动，我只做决策。
第二课：飞书深度集成
我的痛点
每天早上：
- 飞书有 30 条消息
- 有 5 个文档需要更新
- 有 3 个会议需要纪要
以前：全部手动。现在：卷卷处理 80%。
配置思路
在 AGENTS.md 里加一个飞书专属 Agent：
## FeishuAgent
### 职责
- 监听飞书消息，识别需要处理的任务
- 自动生成会议纪要并写入飞书文档
- 定时推送日报到指定群
### 触发条件
- 关键词：「帮我整理」「生成纪要」「写到文档」
- 定时：每天 18:00 生成日报
### 权限
- 读：消息、日历、文档
- 写：文档、群消息（需确认）实际效果
会议结束后，我说一句：「整理一下今天的会议」
卷卷自动：
- 拉取会议录音转写
- 提取关键决策和 Action Item
- 写入飞书文档
- @相关人确认
以前 30 分钟，现在 3 分钟。
第三课：GitHub 集成
我的痛点
代码 Review 是我最烦的事。
不是不想做，是太费时间。一个 PR 少则 200 行，多则 2000 行。
配置方式
## CodeReviewAgent
### 触发
- 新 PR 创建
- PR 更新
### 流程
1. 拉取 diff
2. 先跑 linter（规范问题不用 AI）
3. 只把有疑问的部分给 AI 分析
4. 生成 Review 评论，标注严重程度
5. 自动回复到 PR
### 模型路由
- 格式问题：跳过 AI
- 逻辑问题：claude-sonnet
- 安全问题：gpt-4（不省这个钱）真实数据
接入前：每个 PR 平均花 25 分钟 接入后：我只看卷卷标注的「需要人工确认」部分，平均 8 分钟
节省 68% 的 Review 时间。
第四课：结合 0410 新功能------Active Memory
0410 版本上线了一个我等了很久的功能：Active Memory 插件。
以前的问题：
我告诉卷卷「我不喜欢太长的回复」，它记住了。 下次新对话，又忘了。 我得重新说一遍。
Active Memory 解决了这个问题。
它怎么工作
你说话 → Active Memory 子 Agent 自动检索相关偏好 → 注入当前对话不需要你手动说「记住这个」。 不需要每次对话都贴一遍 USER.md。
它在后台自动做了。
我的配置
在 MEMORY.md 里，我现在只保留结构化的偏好标签：
## 偏好标签
- 回复长度：简洁，不超过 200 字
- 代码风格：Python，加注释
- 日报格式：bullet points，不超过 5 条
- 会议纪要：只要决策和 Action，不要过程Active Memory 会自动在合适的时候拉取这些标签。
MEMORY.md 从 47KB 瘦身到 8KB，但卷卷记住的东西反而更准了。
第五课：结合 0410 新功能------macOS Talk 模式
0410 上线了本地 MLX 语音提供商。
我用了一周，说说真实感受。
适合的场景
开车时：「卷卷，帮我把刚才的想法整理成一条 MEMORY」 走路时：「今天下午 3 点的会议，提醒我提前 15 分钟」 双手占用时：「把这个任务加到今天的 TODO」
不适合的场景
复杂的技术讨论------还是打字更精确。 需要粘贴代码的时候------语音没法传代码。
一个小技巧
语音 + 文字混用：
用语音说需求，卷卷理解后，我再用文字补充细节。
语音负责「说清楚要什么」，文字负责「说清楚怎么做」。
第六课：我的完整工具链配置图
输入层
├── 飞书消息 → FeishuAgent
├── GitHub PR → CodeReviewAgent
├── 语音输入 → Talk 模式
└── 直接对话 → 主 Agent
处理层（卷卷）
├── Active Memory 自动拉取偏好
├── 任务路由到对应 Agent
├── 模型路由（按复杂度选模型）
└── 成本监控（上一篇讲的）
输出层
├── 飞书文档
├── GitHub 评论
├── 日历提醒
└── 直接回复整个链路，我只需要在「输入」和「决策」两个环节出现。
第七课：打通工具链的三个原则
原则1：数据只流动一次
信息从 A 到 B，不要经过我的手。 我的手一碰，就会出错，就会延迟。
原则2：人只做判断，不做搬运
搬运信息是机器的事。 判断对不对是人的事。
原则3：先打通高频场景
不要一次接入所有工具。
我的顺序：
- 飞书（每天用 50 次）
- GitHub（每天用 10 次）
- 日历（每天用 5 次）
- 其他（按需）
先把最高频的打通，ROI 最高。
写在最后
三个月前，我把卷卷当聊天工具用。
现在，它是我工作流的一部分。
区别不在于卷卷变聪明了。
区别在于：我把它放到了正确的位置上。
工具链不是技术问题，是设计问题。
你得想清楚：信息从哪来，到哪去，谁来决策。
想清楚了，接入很简单。
工具链配置检查清单
飞书集成
- FeishuAgent 配置完成
- 消息监听关键词设置
- 文档写入权限确认
- 日报定时推送测试
GitHub 集成
- CodeReviewAgent 配置完成
- linter 规则配置
- 模型路由规则设置
- PR 评论格式确认
Active Memory
- 插件已启用
- MEMORY.md 改为结构化标签格式
- 偏好标签整理完成
- 测试自动拉取是否准确
语音模式（macOS）
- MLX 语音提供商配置
- 常用语音指令测试
- fallback 语音确认
下一篇预告
《Active Memory 深度玩法------让卷卷真正「认识」你》
- Active Memory 的底层机制
- 怎么设计让它记得准的偏好标签
- 记忆分层：短期 / 长期 / 永久
- 我的 MEMORY.md 完整模板
记忆，是 AI 从工具变成伙伴的关键。