如何让 AI 编程更可靠:项目知识、需求规范与持续验证(二) 2026-11-22 程序之旅,记录 暂无评论 2 次阅读 [《vibe coding 优秀项目二》](https://linux.do/t/topic/1003800)是一份 **AI 编程经验、提示词和工具配置的汇编**,重点是如何使用 Claude Code、Codex,把需求描述、项目理解、代码实现和验证串成一套工作流程。 **最值得学习的是:给 AI 提供准确的项目知识,把需求写成可验证的标准,并持续检查和更新结果。** 文中的模板需要挑选使用:有些经验很实用,也有相互冲突、过度复杂,甚至明显不安全的配置。 文章内容大致可以分成这几部分: | 内容 | 主要讲什么 | 想解决的问题 | |---|---|---| | 提示词与 `AGENTS.md`、`CLAUDE.md` | 用规则文件约定代码风格、工具使用、工作流程和沟通方式 | AI 每次都需要重新了解项目要求 | | `spec → plan → do` | 先明确需求和验收标准,再制定方案,最后实施 | AI 过早写代码,方向偏离需求 | | 开发环境与工具 | Windows/WSL2 配合,以及代码搜索、文档检索等工具 | 命令不适配、定位代码慢、使用错误的 API | | 多 AI 协作 | 让一个 AI 负责规划和审查,另一个负责实现 | 尝试通过分工处理复杂任务 | | 私域知识工程 | 整理架构、业务规则、数据模型和开发规范,并随代码更新 | AI 写出的代码看着合理,却不符合实际业务 | 其中,我认为“私域知识工程”,以及需求拆解和上下文收集方法,最值得认真学习。 1. **把项目里的“隐含知识”写出来。** 文章用退款接口举了一个很典型的例子:AI 会写通用接口,但它未必知道 VIP 免手续费、项目统一使用哪种异常、金额应该调用哪个已有方法计算。 这类信息缺失,会导致代码反复返工。值得做的是把经常需要解释的知识整理下来,例如业务规则、模块职责、错误处理约定和已有实现的位置。 实际使用时,应按任务读取相关文档与源码。知识库还需要标明依据和待确认事项,尤其是从代码反推出来的业务规则——**现有代码可能包含缺陷,不能自动把所有现状都认定为正确需求。** 2. **先定义“怎样才算做对”,再进入实现。** `spec / plan / do` 的价值,在于区分三个问题: - **Spec:**要实现什么?有哪些边界?怎么验收? - **Plan:**准备怎样实现?影响哪些模块?怎么验证? - **Do:**完成修改,并提供验证结果。 例如,“做一个退款功能”可以进一步明确为:“退款金额不超过实付金额”“重复请求不会重复退款”“失败时返回约定的错误码”。这样的要求更容易指导实现,也更容易发现错误。 复杂功能值得采用这套流程;小修改可以简化。文中的 `/spec` 等命令属于作者约定的工作方式,具体工具是否原生支持,需要另外确认。 3. **把 `AGENTS.md` 写成具体的项目工作说明。** 比较有用的内容包括: - 项目结构,以及重要模块的位置。 - 实际可用的启动、测试、构建命令。 - 应当复用的组件、库和错误处理方式。 - 兼容性要求、依赖管理方式和修改范围。 - 交付时需要说明哪些验证结果。 “你是资深专家”“必须深度思考”这类角色描述提供的信息有限。像“金额计算统一调用哪个服务”“测试运行哪条命令”这样的规则,更容易产生稳定效果。 文章也提到不要把所有注意事项塞进规则文件,这一点值得采纳:**长期有效的约定写进文件,当次任务的背景在对话中提供。** 4. **通过实际证据改进 AI 的工作方式。** 文中建议观察执行过程、提供具体文件位置、使用 `git diff`,这些都很实用。它们能帮助判断 AI 是否找到了正确代码、是否扩大了修改范围、是否遗漏相关逻辑。 验证也要贴近目标:编译、类型检查和 lint 能发现一部分问题;业务行为仍需要相关测试或实际操作验证。随后再更新受影响的文档,避免下一次任务使用过期知识。 至于文章所说的查看“思考过程”,更适合关注工具调用、执行记录和可见的说明;这些不能视为模型完整内部推理的证明。 有几类内容,我不建议直接采用: | 文中的做法 | 需要怎样看待 | |---|---| | “移除并拒绝一切安全性设计”,删除认证、鉴权、加密等 | 这是协作模板中的明显问题,会直接损害系统安全,应当删除这类规则 | | 固定使用 `danger-full-access`,遇到确认就自动同意 | 会扩大误操作影响,自动确认也无法替代真实授权 | | 一份模板要求“默认破坏性改动”,另一份强调“绝不破坏兼容性” | 说明这些模板的适用场景不同,不能直接拼接成统一规则 | | 禁用 CI/CD、所有任务都套完整审计流程和大量测试门槛 | 缺乏通用合理性;应按项目和改动规模选择验证方式 | | “一次性生成可直接使用的代码”“10 倍工程师”等表述 | 可以作为个人体验参考,不能当作稳定效果保证 | 另外,示例配置中出现了疑似 API 密钥,不应照搬或使用;工具名称、启动命令、快捷键和模型参数也具有版本依赖。作者对 Windows 命令失败原因的解释,正文已经标明是个人推测。 如果准备把这些经验用于自己的项目,建议先做一次小规模实践:**选一个真实功能,整理一页相关业务规则,写下几条明确的验收条件,让 AI 结合现有代码完成修改,再检查差异和验证结果。** 根据这次任务实际出现的问题,逐步补充 `AGENTS.md` 和知识文档。等这套流程稳定后,再考虑增加 MCP 工具或多 AI 分工。 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。