老金带着实操图来案例更新后的Meta_Kim了，Claude Code、Codex等多平台兼容
图片加载中…
最近老金在参加AMD的一个AI比赛，正好赶上Meta_Kim这段时间更新了很多东西，我就顺手把它再拿出来讲一遍。先把边界说清楚，这篇只能讲一部分主框架，不是完整说明书。
Meta_Kim里面还有不少东西这次不会展开说。比如安装方式、全局能力发现、agents和Commands、MCP和skills。再往深一点，还有Claude Code和Codex的多平台投影、OpenClaw和Cursor兼容、Hook自动化、状态存档、Graphify知识图谱、SQL向量记忆、动态回滚和进化回写。
这些光看一篇文章很难吃透，最好自己去GitHub看README，再实际跑一遍。
GitHub地址：https://github.com/KimYx0207/Meta_Kim
对，你最近看到我开源的所有你觉得好用的各种Skills，或者hook等，都是直接从Meta_Kim里剥离出来的小玩意。
都在上面Github的主页上能看到各个仓库。
这次按图走，先看原始输入，再看决策怎么边做边补全，再看能力发现、发牌、状态、审查和记忆。文章只负责把主链路讲明白，剩下那些更硬的部分，留给GitHub和你自己的实操。
以前我讲Meta_Kim，容易讲成治理层、动态工作流、记忆系统。懂的人会点头，更多人会卡在第一步，这东西到底跟我有什么关系。
换成一句人话，Meta_Kim管的是AI长任务里的失控感。你让AI改项目，它第一轮很积极，第二轮开始扩范围，第三轮跑了几个命令就说完成。可你回头看，根本不知道它证明了什么，也不知道哪些选择是你确认过的。
Meta_Kim给这种长任务加了一条治理链路。它先问清目标，再找全局能力，再拆任务，再执行，再审查，再验证，最后把经验沉淀回记忆里。下次再遇到相似任务，它不会只靠上下文硬猜，也不会靠一句我已经完成来收工。
图片加载中…
第一张图就是开头。我的原始需求只有一句，我想做个公众号写作增长的系统。普通AI很容易直接开始写方案，甚至直接建文件。
Meta_Kim先把问题摊开，问核心目标是什么，第一版验证什么，当前起点在哪里，主要服务谁。
这一步叫 Critical，可以理解成入口判断。它先看这句话能不能直接开干，不能开干就把模糊意图拆成可选路线。
公众号写作增长系统可能是选题系统，也可能是数据分析系统，还可能是发布自动化系统。三个方向都叫增长，第一步完全不一样。图里它把路线摆出来，让人选，没有替人偷做决定。
图片加载中…
Fetch阶段不是直接开搜，而是边推进边继续弹出决策点。
Meta_Kim不是只在开头问一次，然后一路自己跑完。它会随着任务往前走，继续把关键决策点弹出来，让人的意图变得更具体。
图里已经到了 Fetch 阶段，也就是准备收集证据和发现能力。系统先把前面锁定的内容列出来：核心目标、服务对象、起点、垂直领域、交付形态、AI边界、技术背景、首发模型、发布频率。然后它继续问，下一步证据要看哪里，写作风格怎么定，人的介入点放在哪。
这就叫边做边丰满决策。比如用户一开始只说想做公众号写作增长系统，这还不够。走到Fetch时，Meta_Kim会继续问技术背景是独立开发者还是运营团队，首发内容是深度原创还是快速复盘，发布节奏是周更还是日更，证据范围要看官方规范、起量案例、本地工具栈，还是AI全流程介入的现状。人把这些选完，AI再进入证据检索和执行。
图片加载中…
第三张图讲 Gate。Gate就是闸门，AI要动文件、改配置、改变任务范围时，不能靠一句我知道了继续往下跑。它必须说明要动哪里，为什么动，动完怎么验。图里这次拦的是批量新建文件。GateGuard发现每次创建文件都要报备，最后把节奏改成保持现状，逐一报备。
这张图对应的是一个习惯，AI每次要动项目结构时都要把动作摊开。人的限制条件被写进任务，后面的步骤要照着执行。我以前最怕AI长任务的地方，就是它嘴上说尊重边界，手上继续改一堆东西。Gate就是专门拦这个的。
图片加载中…
第四张图进入 Fetch和全局能力发现。很多人看到Fetch会想到联网搜索，但Meta_Kim里的Fetch更宽。它是在开干前把能用的能力找全，把证据拿出来，再决定谁去做。
这里的能力池不只有 Skill。它还会找 Agent、MCP、Tools、Command、运行时工具、Hook、Graphify知识图谱、Memory记忆、项目脚本和配置。Agent是被分配了边界任务的执行单元，像一个临时工位。Skill是可复用的方法，比如公众号写作、质量检查、代码审查。MCP是外部能力连接器，数据库、浏览器、记忆服务、图像生成都可以通过它接进来。Tools是当前环境真实能调用的工具。Command更像已经做好的按钮，点下去就能跑检查或生成报告。
这张图的价值在于，它把AI从单点猜测拉到能力检索。系统会看这次任务该调哪些能力，哪些能力只是发现了，哪些真的调用了，哪些只是选中但没有执行。发现能力，不等于调用能力。调用能力，也不等于任务完成。最后还要看验证结果和用户目标有没有闭合。
图片加载中…
第五张图是 Dynamic Workflow和 LangGraph。
Dynamic Workflow就是动态工作流，意思是不同任务走不同路线。公众号写作增长这个任务，需要内容、产品、集成、发布、反馈、进化。它不需要前端大界面，也不需要数据库，所以图里有的通道启用，有的通道省略，有的只做监控。
LangGraph在这里可以理解成节点、边和状态。任务被拆成一个个节点，节点之间有依赖关系，每一步走到哪里都写进状态。下面的worker task packet就是任务包，每个包都要说明输入、输出、依赖和合并方式。图里还有Capability Invocation Truth，也就是能力调用真相表。它把能力分成invoked、discovered_not_selected、selected_not_invoked、unavailable、unknown。这样AI就不能把看见了说成用过了，也不能把选中了说成跑通了。
图片加载中…
第六张图讲发牌策略。发牌这个词听着虚，其实很具体。任务走到岔路时，系统把下一步选择做成几张决策卡，让人选，再让AI按选中的牌继续做。
图里展示的是一个选择汇总，还没到最终执行结果。
上一轮编排与能力发现被弱化，本轮要不要补全。fabric CLI不在PATH上，要不要换AI CLI引擎。MCP图像生成能力已经可用，要不要接入。这个时候AI自己继续跑，很可能直接改脚本，或者绕过某个依赖往下写。Meta_Kim必须停下来，把牌发出来。
补全能力发现这张牌，是问这轮要不要把缺掉的全局能力补回来。fabric依赖这张牌，是问继续修原工具，还是换成别的AI CLI引擎。人选完，AI再继续。发牌策略的本质就是把关键分叉显性化，把决策权交回人。证据不足就回Fetch补证据，路线不对就回Thinking重排任务，执行中发现风险就暂停或改牌。它给长任务留下了能停、能问、能退的机会。
图片加载中…
第七张图讲 State。State就是状态账本，AI现在走到哪一步，哪些阶段完成了，哪些阶段还是pending，是否允许交互选择，是否开始执行，都会被记录下来。
咱不用记字段名，只要记住一点：Meta_Kim不听AI嘴上说完成，它看状态、产物和验证记录。
这也是我一直想做的边界。AI说自己完成，只能算一句话。它提交了可检查的东西，才算进入验收。
图片加载中…
第八张图是 Review。这里的Review不负责润色和夸人，图里这个Review worker在做上游审查。它会检查Critical、Fetch、Thinking三个阶段有没有真的锁住目标，也会检查能力有没有找全。owner、weapon、dependency、runtime、OS、verification这些关键项有没有对齐，也要在这里过一遍。
它甚至会追问，上一轮有没有把agent和能力实际调用起来，还是主线程自己悄悄做完了。
这就是Meta_Kim比较硬的地方：不只审最后结果，也审前面的决策过程。前面路线错了，后面写得再漂亮也不能算好。
图片加载中…
第九张图继续往后。Meta-Review负责复查Review标准有没有到位。Verification负责验证，必须看真实命令、运行记录、文件结果，不能只看AI总结。Evolution负责进化回写。它会判断这次有没有可复用经验、避坑规则和能力缺口，也会判断有没有内容需要写回skill、agent、command、contract、memory或graph。
图里还有none-with-reason。它要说明这次不写回的理由。记忆不是垃圾桶，能沉淀的才沉淀，不能沉淀的要说明原因。
图片加载中…
后面两张图讲记忆。这张是Graphify知识图谱，可以理解成项目地图。项目越做越大，AI每次全仓乱翻就会慢，也容易漏。Graphify把文件、模块、概念之间的关系梳理出来，让AI下次知道从哪里找证据。
它不替代源码，只帮AI少走弯路。真正判断仍然要回到文件、运行记录和用户目标。
图片加载中…
这张是向量记忆。Graphify更像项目地图，向量记忆更像会话经验库。它负责接住过去的任务、判断、教训和上下文。下次遇到相似问题时，AI可以把相关经验找回来，少一点从零开始猜。
所以三层记忆不用死背。项目规则和能力记忆负责留下可复用的做法，Graphify负责给项目画地图，SQL和向量检索负责把会话历史接回来。它们合在一起，AI才有机会越用越懂项目。但我也不把它吹成永远正确。记忆负责减少失忆，最后仍然要看Review、Verification和用户确认。
所以这次老金重新安利Meta_Kim，重点不在我又做了一个新工具。AI编程会越来越强，长任务会越来越多。到那时候，真正值钱的能力会变成让AI在一个可控闭环里做事。
模糊意图要先问清，做着做着还要继续补齐决策。能力要先找全，任务要能拆，执行要有闸门，关键岔路要发牌给人，结果要能审查，验证要有证据，经验要能复盘和沉淀。
这就是更新后的Meta_Kim想做的事。
它让AI在该动手的时候动手，在该停下来的时候停下来，在该问人的地方把牌摊出来。
希望老金做的这玩意对你有所帮助，虽说我只在Claude code和Codex进行了实测，但是它理论上是通用的，你可以在任意平台进行使用。
有用的话，记得帮我在Github上给个Star，它能让更多的人看到它。