立正说的文件响应模式，核心是把 CLI agent 当成能在工作目录里读写文件的 worker，而不是一个只吐字符串的接口。具体做法是：脚本先把完整任务写进一个临时文件，让 Claude Code 或 Codex CLI 去读，再要求它把完整结果写到目标文件；Python 读回目标文件后继续下一步。这样大内容不会被命令行参数长度卡住，输出也不容易被终端截断，模型的任务从“回答我”变成“把结果写进这个文件”，下游只依赖产物文件，不依赖当前会话里说过什么。长访谈这类一两个小时的素材尤其需要这样，任何一步靠临时上下文记忆都不稳⁠1,2。

拿你手头一个具体任务试：先确定这一步的产物是什么文件、放在哪个目录，把任务说明和输入路径写进一个任务文件，然后让 agent 直接修改或生成那个产物文件，而不是在对话里贴结果。立正后来把主 worker 改成直接修改分块文件之后，很多问题才开始收敛；他也提醒分块不能太碎，块太小会丢上下文、术语和语气不稳。所以第一次试时，产物文件可以粗一点、块大一点，先看 agent 能不能只凭文件把这一步做完。判断标准很直接：换一个新会话、不给它任何前情，它读任务文件和输入文件后能否产出合格结果；能，就说明交接真的落在文件上了⁠1,2。

立正在做标题生成时发现，把“必须覆盖哪几种角度”这类硬规则写进 prompt，模型会像填格子一样凑数，质量反而下降；删掉格式要求、只留角色和目标后，生成更准。他区分了两类东西：规则是“必须按这个格式来”，会限制模型；认知是“有个思考维度你可能没想到”，能扩展模型。所以沉淀时，把“这类任务通常怎么拆、优先检查什么、常见坑在哪、什么算完成”写成参考，而不是逐条禁令。他最后的做法是把这些认知放进 guideline 文件，让高光提取和标题生成都来读它，prompt 里只保留角色和目标⁠1。

规则越积越多时，模型会认真满足每一条，结果页面什么都有一点、主线却变弱。立正把材料重新分层：价格、权益、产品边界、当前文案和证据来源属于当前有效资料；旧版主张、写作案例、视觉参考和历史推理属于需要时才调用的参考。问题不在上下文多，而在大量上下文没有优先级⁠2。跨任务复用的文件也可以这样分：长期不变的原则（价值判断、写作风格）、按项目加载的背景（客户、需求）、需要定期更新的部分（行业动态、工具能力边界）⁠3。这样换任务时只替换中间一层，底层判断不用重写。

立正主张所有 AI 步骤尽量走文件响应模式：脚本把完整任务写进文件，让 Claude Code 或 Codex 读取，再把结果写到目标文件，下游只依赖产物文件，不依赖当前会话里说过什么⁠4。规则文件要跨任务复用，同样需要被明确“读进来”而不是指望模型自动记得。可以试的做法：挑一个你反复做的任务，把它的判断标准写成一份文件，然后换一个相邻任务，只改项目背景、保留这份文件，看 AI 的输出是否还守得住原来的标准。如果换了任务就失效，说明文件里写的是这次任务的格式，而不是可迁移的判断。