De flesta forskarteam som använder AI på allvar har till slut en fil för den. Den börjar som några rader om hur teamet namnger saker och vilka verktyg som ska användas. Snart innehåller den driftgränser, föredragna metoder, referensvärden, varningar om misstag som agenten gjort någon gång och en mapp med promptar som fungerade bra för någon.
Den vanan är sund. Det här inlägget tittar på varför filen hjälper, var den slutar hänga med i forskningen och vad som förändras när AI:n lär sig av bekräftade utfall i stället för att vänta på att någon redigerar en rad.
Varför team skriver ner saker åt sin AI
En modell börjar varje session från det som den visste när dess träning avslutades. Den har inte sett ditt labbs konventioner, din analyspipeline eller den gräns som din seniora forskare eller ingenjör bekräftade förra månaden. En instruktionsfil täpper till en del av det glappet nästan utan kostnad. Assistenten läser den i början av varje session, och teamets viktigaste sammanhang följer med.
En typisk fil för ett forskarteam innehåller någon blandning av dessa:
- Konventioner: hur filer, prover och körningar namnges, vilka enheter som ska rapporteras och vilket format en sammanfattning ska ha.
- Gränser: inställningar som en metod inte bör gå utöver, indata som behöver kontrolleras före användning, steg som kräver en person.
- Föredragna metoder: den ordning av steg som ger en ren analys, eller det verktyg som teamet litar på för en viss uppgift.
- Referensvärden: de siffror som agenten ska använda i stället för att gissa.
- Varningar: misstag som agenten gjort någon gång, nedskrivna så att den inte gör dem igen.
- Promptar: formuleringar som gav en bra plan eller granskning för en person, sparade för resten av teamet.
Filen kan läsas av vem som helst, är lätt att ändra och står helt under teamets kontroll. Den fungerar med vilken modell som helst. För stabila konventioner och husstil är den svår att slå, och team bör behålla den.
Där filen slutar hänga med
Problemet är att forskningen inte står still, och en fil ändras bara när någon redigerar den. När arbetet går vidare börjar samma fil som hjälpte under sin första månad kosta teamet på mindre märkbara sätt.
- Den blir lång. Varje incident lägger till en rad och få rader tas någonsin bort, så modellen läser om mer i varje session och måste själv bedöma vilka delar som gäller.
- Den blir inaktuell. När ett referensvärde ändras står den gamla raden kvar tills någon tar bort den. Om två personer redigerar filen kan båda värdena stå där sida vid sida.
- Ingen vet vilken rad som fortfarande gäller. En rad säger sällan var den kom ifrån, när den lades till eller under vilka villkor den var sann. En ny teammedlem kan inte skilja en bekräftad gräns från en enskild persons preferens.
- Den saknar koppling till utfall. Filen vet inte om dess råd fungerade. En metod som har misslyckats två gånger sedan den skrevs ner läses på samma sätt som en som har lyckats varje gång.
- Den splittras per person. Varje forskare har sin egen version, promptbiblioteken glider isär, och det som en person har lärt sig stannar i den personens kopia.
- Den är bara så bra som den senaste redigeringen. Agenten blir bättre när någon hittar tid att uppdatera filen, och inte mellan de redigeringarna.
Noggranna team stöter på allt detta. Det följer av att kunskap som ändras med varje resultat förvaras i ett dokument som ändras för hand. Teamets erfarenhet växer varje vecka, och agenten står kvar där filen lämnade den.
Vad en inlärd lärdom bär med sig som en rad inte gör
MS Duplex kopplas in i den AI som ditt team redan använder och lär sig av de utfall och expertkorrigeringar som ditt team väljer att fånga: ett test som gick igenom, en mätning, en godkänd slutsats, en korrigering med sitt skäl. Den lär sig bredvid modellen, och dess vikter lämnas som de är, så varje lärdom är redo från och med nästa begäran.
Där en rad i en fil är en mening som någon skrev, kommer en lärdom i MS Duplex med det som en granskare skulle vilja veta om den:
- Dess källa: resultatet, mätningen eller expertbedömningen som den kom från.
- Dess villkor: vad som gällde när den bekräftades, så att den tillämpas där de villkoren stämmer.
- Dess skäl, för en korrigering: varför experten avvisade det som agenten föreslog.
- Dess historik: när ett nyare bekräftat värde ersätter ett äldre gäller det nyare, och ändringen finns kvar registrerad.
- Dess räckvidd: om den stannar hos en forskare, delas med ett team eller gäller i hela organisationen, enligt vad dina regler avgör.
Sättet den används på skiljer sig också. En fil läses om i sin helhet och modellen bedömer vad som gäller. MS Duplex kontrollerar om villkoren i det nya fallet stämmer innan den tar fram en lärdom igen. Där de stämmer tillämpas lärdomen. Där något skiljer sig anpassas den och föreslås för kontroll, eller flaggas så att teamet kan avgöra.


Och varje lärdom kan hanteras för sig. Ditt team kan granska den, korrigera den så att bara den lärdomen ändras, eller ta bort den, så försvinner de rekommendationer som berodde på den medan allt annat finns kvar. Det är frågan som en lång fil inte kan besvara: vilken rad som fortfarande gäller, och vad som beror på den.
Från en rad i en fil till en metod som teamet återanvänder
De mest värdefulla raderna i en instruktionsfil beskriver oftast en procedur som fungerade. Säg att en forskare i ett team som rangordnar kandidater för granskning tar fram en sekvens av kontroller av indata som tar bort ett återkommande fel ur rangordningarna. I en fil blir det ett stycke som någon måste hitta och följa. I MS Duplex blir det en metod.
- Proceduren bekräftasForskarens agent kör kontrollerna före rangordningen, och en expert bekräftar att rangordningarna blev rena.
- Den sparas som en metodMS Duplex behåller stegen med de villkor de bekräftades under och resultatet som bevisade dem.
- Nästa liknande fallEn kollegas agent rangordnar en ny omgång från samma källa. Metoden tillämpas direkt, utan att någon klistrar in ett stycke.
- Ett närliggande fallEn annan omgång kommer från en annan källa i ett annat format. MS Duplex anpassar metoden och föreslår den anpassade versionen för kontroll. När den har bekräftats blir den en egen metod.
- En ny teammedlemEn nyanställds agent börjar på samma arbete med båda metoderna på plats, var och en med resultatet bakom sig och var och en verifierad på nytt där den används.
Jämför det med filen. Stycket hade hjälpt de personer som visste att leta efter det, och det hade inte sagt något om den andra källan förrän någon skrev ännu ett stycke. Metoden gick till de agenter som behövde den, kontrollerades där fallet skilde sig och behöll sina belägg hela vägen.


Att behålla filen och lägga till lagret
Team som ansluter MS Duplex fortsätter att arbeta i Claude, Codex, Cursor eller sina egna agenter som tidigare, och filen som assistenten läser fortsätter också att fungera. En nyttig första övning är att sortera det som redan finns i den.
- Stabila konventioner och husstil: behåll dem i filen. De ändras sällan och filen tjänar dem väl.
- Regler som arbetet måste respektera: formulera dem som regler i MS Duplex. Regler hålls åtskilda från preferenser och syns i resonemanget, en ny regel gäller från och med nästa begäran, och i styrda miljöer stoppas ett steg som bryter mot en regel innan det körs.
- Referensvärden: låt dem komma från bekräftade resultat, så att det nyaste bekräftade värdet gäller och historiken över varje ändring bevaras.
- Procedurer som fungerade: låt dem bli metoder, sparade med resultatet som bevisade dem.
- Varningar om tidigare misstag: fånga dem som korrigeringar, med skälet och villkoren, så att agenten kontrollerar dem från och med nästa begäran och bara där de gäller.
Sorterad på det här sättet kan filen bli kortare i stället för längre. Ny kunskap kommer in allteftersom arbetet bekräftar den, och filen går tillbaka till att innehålla det den är bra på.
Vanliga frågor
Ska vi ta bort våra instruktionsfiler?
Nej. Behåll dem för stabila konventioner och husstil. Flytta med tiden regler, referensvärden, beprövade procedurer och korrigeringar till MS Duplex, där var och en behåller sin källa och kan ändras för sig.
Hur skiljer sig detta från hämtning i våra anteckningar?
Hämtning hittar textavsnitt som ser relevanta ut, oavsett om de gäller eller inte, och både gamla och nya versioner av ett faktum kan komma tillbaka. MS Duplex behåller bekräftade utfall med deras belägg, kontrollerar om villkoren stämmer och tillämpar det nyaste bekräftade värdet, med historiken bevarad.
Vem ser en lärdom som en forskares agent har lärt sig?
Det beror på dina regler. Varje forskare, varje team och hela organisationen har sitt eget erfarenhetslager, och dina regler avgör vad som flyttas mellan dem.
Vilka AI-verktyg fungerar detta med?
Claude, Codex, Cursor och andra agenter som talar MCP ansluter direkt, och dina egna agenter och pipelines ansluter via API och Python SDK. Dina forskare och ingenjörer behåller den AI som de redan använder.


Byggt av MatterSpace
MatterSpace bygger MS Duplex för forskare, vetenskapare och ingenjörer inom alla fält, så att den AI de redan använder lär sig av varje resultat de bekräftar.









