如何让 AI 编程更可靠:从需求设计到结果验证(一) 2026-11-22 程序之旅,记录 暂无评论 2 次阅读 # 如何让 AI 编程更可靠:从需求设计到结果验证 [《优秀文章&项目》](https://linux.do/t/topic/1003788)是一份关于 Vibe Coding 的资料汇编,收录了 AI 辅助编程的方法、工具、提示词和项目实践经验。 其中最值得学习的,是一个核心思路:**把 AI 放进“明确需求 → 设计方案 → 分步实现 → 测试审查”的工程流程里。** AI 可以提高代码生成的效率,但需求是否准确、设计是否合理、实现是否符合业务,仍然需要一套可靠的方法来保证。 这份资料的主要内容,可以归纳为五个部分: | 部分 | 主要内容 | 解决的问题 | |---|---|---| | **AI 编程实战经验** | 使用 Claude Code(文中简称 CC)搭配 GLM4.5,开发新项目、维护老项目 | 怎样让 AI 写出的代码更符合实际需求 | | **先设计、后实现** | 顾问式编码、需求文档、设计文档、任务清单、Spec 工作流 | 避免需求没想清楚,AI 就开始大量生成代码 | | **工具能力扩展** | SuperClaude、Zen MCP、Context7 等 | 给 AI 接入文档查询、浏览器测试、多模型协作等能力 | | **多代理协作** | 将需求分析、开发、审查、测试交给不同的 Sub-Agent(子代理) | 怎样拆分复杂任务,减少单个 AI 的上下文负担 | | **配套工程实践** | WSL 配置 Codex、`CLAUDE.md`、Git 隔离、生成架构图 | 解决运行环境、项目上下文、回退和代码理解问题 | 其中,**“新项目和老项目的实战经验”最有参考价值**。它讲的是实际开发中怎样减少错误,后面不少内容则主要是工具介绍和提示词模板。 从这些经验中,可以提炼出五件值得长期实践的事。 **第一,写清楚业务规则,比让 AI“更努力思考”重要。** 文章里有一个很好的例子:一个功能叫“用户注册”,但业务实际要求是: - 用户数据已经提前存在; - 注册只是给已有用户绑定密码; - 因此应该执行更新,而不是新增用户。 如果只告诉 AI“写一个注册接口”,它很容易按照常见模式生成“新增用户”的实现。 **代码可能语法正确、能够运行,但业务是错的。** 所以,交给 AI 的任务不能只有功能名称,还应该包含: - 什么条件下允许操作; - 什么条件下拒绝; - 要读取和修改哪些数据; - 有哪些与常规做法不同的规则; - 怎么判断实现正确。 这里值得学习的原则是:**不要让 AI 猜最关键的业务规则。** 这比寻找所谓的“万能提示词”更有价值。 **第二,把文档作为 AI 理解项目的重要上下文。** 文章反复强调数据库文档、接口文档和 `CLAUDE.md`,背后的原因是: > AI 不会天然了解项目,也不能保证始终记住之前所有讨论。 可以把这些文档分成两类: | 类型 | 适合记录的内容 | |---|---| | **长期规则** | 项目技术栈与目录结构、编码规范、启动与测试命令、禁止修改的区域、重要架构约束 | | **当前任务信息** | 这次要实现的功能、具体业务规则、设计方案、验收标准、尚未解决的问题 | `CLAUDE.md` 更适合保存前一类信息,具体需求则放在独立文档中。 不过,**文档要准确、精简、及时更新**。过期文档会误导 AI,一大堆重复规则也会增加理解负担。 当业务逻辑发生变化时,应该同步检查文档和代码是否一致。否则,AI 下一次读取项目时,可能又会按照旧规则继续实现。 **第三,小步修改、及时验证,比一次生成整个系统更可靠。** 文章建议“一次只生成一个接口”,真正值得借鉴的是它背后的思想: > 每次只做一个范围明确、容易检查、方便回退的改动。 例如,“把整个用户系统做完,包括注册、登录、权限、个人资料、后台管理”这样的任务,可以拆成: 1. 完成用户数据模型; 2. 实现一个接口; 3. 补充对应测试; 4. 检查代码变更; 5. 提交一个可回退的版本; 6. 再继续下一个功能。 这样做的好处是: - 错误更容易定位; - 不会把错误设计扩散到很多模块; - 人能看得懂每次改了什么; - AI 失败后可以从明确的检查点继续。 **AI 生成代码越快,就越需要缩短检查和反馈的间隔。** 随着功能增加,如果发现代码结构开始混乱,也应该及时调整。早期的小范围重构,通常比后期面对大量相互依赖的代码更容易。 **第四,给 AI 具体线索,比笼统要求“帮我修好”更有效。** 文章中的两个细节很实用: - 修改功能时,提供具体文件、函数名称和参考实现; - 排查问题时,不只看报错,还要追踪调用链和底层依赖。 其中老项目的 SDK 案例很典型:参数名称看起来要求传 `UserId`,但实际实现需要的是 `UserCode`。 这说明: **变量名、注释和旧文档不一定可靠,要检查真实的数据流和实现。** 对于“登录有问题,帮我修一下”这样的请求,可以补充成: > 登录在这个条件下失败,日志如下。请先检查入口函数、调用链和 SDK 实现,列出可能原因及证据,暂时不要修改代码。 这样的提问能让 AI 先建立假设、查找证据,再提出修改方案。 同样,修改某个结构体、字段或接口时,也应该说明影响范围,例如要求检查所有调用方,避免只改了定义,却遗漏关联逻辑。 **第五,多代理协作的效果,取决于任务如何拆分。** 文章后半部分大量讨论 Sub-Agent,它的价值体现在明确分工: - 一个负责调查现有代码; - 一个实现某个独立模块; - 一个检查安全问题; - 一个验证测试结果。 真正决定效果的是:**任务有没有边界,输入是否充分,结果能否验收。** “帮我优化整个系统”不适合直接交给一个子代理。下面这种任务就清晰得多: > 检查 `user.ts` 的 `getUser`,增加 `email` 返回字段,保持现有权限校验不变,并补充对应测试。 在协作方式上,也需要区分不同情况: - 独立调查可以并行; - 有先后依赖的任务需要按顺序执行; - 同时修改同一文件容易冲突; - 仅仅建立一个共同分支,并不能隔离多个代理的文件修改,必要时需要独立工作目录或 Git worktree。 **先学会拆任务,再考虑增加代理数量。** 这份资料也有一些需要保留判断的地方。它是不同来源的汇编,里面的方法并不完全一致,也不都是经过验证的工程规范。 **“95% 质量分”需要有实际证据支撑。** 文章里有“评分达到 95% 才进入下一阶段”的设计。 这个思路可以用于组织审查,但 AI 自己给出的分数,不能直接证明测试通过、安全可靠或生产可用。 更可信的验收依据是: - 需求对应的测试是否通过; - 类型检查、构建是否成功; - 是否存在可复现的缺陷; - 权限和异常路径是否被验证; - 实际运行结果是否符合预期。 尤其不应等“评分达标”以后才认真测试,测试应贯穿实现过程。 类似“节省 70% 时间”“提升 78% 性能”的数字,原文没有给出足够的测量依据,不宜当成普遍结论。 **子代理、MCP 和复杂工作流,都应该按需使用。** 文章有些模板要求“任何任务必须调用子代理”“必须使用某个工具”。 这类强制规则可能增加延迟、Token 成本、配置复杂度,以及上下文传递和协调错误。 改一个字段,通常不需要组建一个“专家团队”。工具是否值得引入,应该取决于它能否解决当前问题,以及带来的收益是否超过使用成本。 **具体命令和配置具有版本依赖。** 这份汇编发布于 2025 年 10 月,涉及的 CLI、插件、命令名称和配置格式可能随版本变化。 学习时可以保留它的思路,但安装脚本、Hooks 配置、登录方式等,应对照实际使用版本的官方文档核实。 **自动化检查必须如实暴露失败。** 文中某些 Hooks 示例使用了: ```bash 2>/dev/null || true ``` 这种写法会隐藏错误输出,并使失败不向上报告。因此,不能据此认定检查通过。 自动化流程的意义,是更稳定地执行检查,并把结果反馈出来。只有失败能够被发现,后续修复和验收才有依据。 在实际学习和使用时,可以先从一套简化流程开始: > **写清需求和验收标准 → 读取相关代码 → 讨论最小方案 → 确认后分步修改 → 运行测试并审查差异 → 同步文档、提交版本** 不必急着安装整套插件。先把这套流程实践顺畅,再根据遇到的具体问题引入工具。 下面这个提问模板,可以作为处理需求不够清楚、影响范围较大的任务时的起点: ```text 先不要修改代码。 请阅读与这个需求相关的文件,并说明: 1. 你对需求的理解; 2. 当前实现和相关调用链; 3. 需要确认的业务规则; 4. 建议的最小修改方案及影响范围; 5. 如何测试和验收。 等我确认后,再分步实现。 每一步完成后,请列出: - 修改了哪些文件; - 实际运行了哪些检查,结果如何; - 哪些部分尚未验证; - 是否存在遗留风险。 ``` 这个模板的价值在于建立了 **先理解、再行动、最后拿证据验收** 的节奏。需求更清楚,修改就更可控;验证依据更明确,结果也更容易判断。 如果要进一步精读原文,推荐优先阅读两部分: 1. **“CC+GLM4.5 长期体验和方法分享”**:学习新老项目中的需求梳理、上下文提供和小步迭代。 2. **“使用 Claude Code Sub-Agent 的最佳实践工作流”**:学习任务拆解、执行隔离和成果验收。 打赏: 微信, 支付宝 标签: ai 本作品采用 知识共享署名-相同方式共享 4.0 国际许可协议 进行许可。