第六章：真正值得沉淀的，是高质量中间产物

很多人使用 AI 时，只盯着最终答案。

写文章，就看最后那篇文章。做视频，就看最后的视频。写代码，就看最后的代码。做方案，就看最后的 PPT 或文档。

最终产物当然重要。没有最终产物，协作就没有交付。但在 AI 工程里，真正值得长期沉淀的，往往不只是最终产物，而是驱动最终产物生成的高质量中间产物。

这句话需要仔细区分。

按当前 ACW 设定，最终产物应该进入 projects/。书稿、代码、方案、项目文件、视频脚本的最终版本，都属于具体项目。artifacts/ 不应该取代 projects/。

但从工程价值看，很多时候最能复用、最能降低成本的，是中间产物：摘要、执行大纲、结构设计、生成指令、检查清单、审校报告、评估标准、修订决策。

为什么？

因为 AI 的最终输出可以重新生成，但高质量的中间产物会持续影响生成质量。

以写作为例。如果你直接让 AI 写一篇一万字的文章，它可能写得很快，但你很难控制方向。一旦发现问题，修改成本很高。更好的方式是先写两百字摘要，确认主题和角度；再写一千字执行大纲，确认结构和论证；再逐章写正文；最后做审校和修订。

这个过程里，摘要和执行大纲就是关键中间产物。

它们不是最终正文，却比一版失控的长文更有价值。因为人类可以用很低的成本审查它们，一旦上游方向正确，下游正文跑偏的概率就会降低。

视频生成也是一样。最终视频可能由模型生成，但真正值得打磨的是镜头描述、风格约束、角色一致性说明、分镜脚本、负面提示、质量检查标准。这些指令越稳定，后续生成越可控。

软件开发中，中间产物包括需求拆解、影响范围分析、接口约定、测试计划、迁移方案、审查清单。AI 写代码之前，如果没有这些中间产物，很容易只解决表面问题，留下架构或边界风险。

咨询方案中，中间产物包括客户背景摘要、问题树、假设清单、资料来源、决策矩阵、风险表。最终方案只是结果，真正体现专业能力的是这些推理和组织过程。

ACW 要做的，就是给这些中间产物一个稳定位置。

通常它们应该进入 artifacts/。一次任务一个 artifact，里面保留原始输入、需求、结构、规格、草稿说明、审校报告。这样做有几个好处。

第一，可追溯。

你可以知道某个最终结果为什么这样写。半年后回看，不必猜当时的决策依据。

第二，可接续。

另一个对话、另一个 AI、另一个团队成员，可以读取 artifact 后继续工作。

第三，可复盘。

如果最终产物质量不好，你可以回头检查问题出在需求、结构、规格还是执行，而不是只盯着最后一版结果。

第四，可复用。

好的任务模板、审校规则、结构方法，可以从 artifact 中抽取出来，沉淀进 conventions/，成为长期规则。

这也是 ACW 和普通聊天最大的差异之一。

聊天里，中间过程会随着对话滚动而消失。你也许可以翻记录，但它不是结构化的，不易被下次任务调用。ACW 中，中间过程被命名、分类、存档，变成项目资产。

不过，中间产物也需要管理边界。

不是所有过程都值得永久保存。临时试验、一次性转换、错误输出、无价值草稿，可以放在 tmp/ 或在任务结束后清理。真正需要进入 artifacts/ 的，是能解释决策、支撑接续、帮助审校或可能复用的内容。

中间产物也不能和最终产物混在一起。

如果一篇小说的最终正文和过程草稿都放在同一个目录，后续 AI 可能不知道哪一版才是当前有效版本。如果软件最终代码和实验脚本混在一起，风险更大。目录职责越清楚，AI 越不容易把草稿当成成果，把废弃方案当成现状。

所以，本章的结论不是“最终产物不重要”，而是：

最终产物要有清楚归属，中间产物要有工程化沉淀。

projects/ 负责交付，artifacts/ 负责过程，conventions/ 负责把可复用经验升级为规则。这三者配合起来，AI 协作才会越来越稳定。