我日常使用 Claude Code 和 Codex 进行 AI 辅助开发。刚开始，我的方式更接近 Vibe Coding：给 AI 一个需求，让它先写，写错了再改，改不动了再补充解释。

这种方式在简单任务上很快，但在真实项目里很容易失控。

因为真实开发不是“生成一段代码”，而是要同时处理业务语义、项目结构、团队规范、历史包袱、权限边界、异常流程、测试验证和后续维护。

AI 写代码并不难。

真正难的是：让 AI 在正确的上下文里写正确的代码。

AI Coding 的关键不是提示词写得多漂亮，也不是模型能力有多强，而是能不能把一次随缘对话，改造成一套可控的开发流程。

这就是我理解的 Spec Coding。

AI 不是不知道怎么写代码，而是不知道你没告诉它什么

大模型单次推理本身是无状态的。Claude Code、Codex 这类工具每次请求模型时，都会重新组装上下文：系统提示词、项目规则、当前对话历史、文件内容、命令输出、错误日志，以及用户当前输入。

所以，AI 看到什么，它才基于什么推理。

你没告诉它的项目规范，在它那里默认不存在。

你没告诉它的业务边界，它只能按通用经验猜。

你没告诉它的历史决策，它可能会把必要的妥协当成坏味道重构掉。

你没告诉它不能改哪些文件，它可能为了完成任务顺手扩大改动范围。

所以，AI Coding 的第一原则不是“把需求说清楚”这么简单，而是：

你必须主动设计 AI 的工作上下文。

你没有提供的内容AI 常见表现
项目结构自己猜目录、猜分层、猜调用关系
编码规范使用通用写法，和项目风格不一致
业务语义写出表面正确但业务错误的逻辑
边界条件加一堆多余兼容，或者漏掉关键限制
禁止事项顺手修改无关文件，引入额外风险
验收标准只保证代码看起来完成，不保证需求真的完成

AI 不是人类同事。它不会自动继承团队里的隐性知识。
所谓提示词，本质上就是把隐性知识显性化。

Vibe Coding 的问题，是把判断权过早交给 AI

Vibe Coding 的爽点在于快。

它适合小任务、低风险、边界清晰的修改。但一旦任务复杂，它的问题也很明显：你把太多判断权提前交给了 AI。

AI 会替你判断需求边界，替你判断实现路径，替你判断是否需要重构，替你判断字段怎么设计，替你判断异常怎么兼容。

问题是，这些判断恰恰是开发中最值钱的部分。

开发阶段不该完全交给 AI 的判断
需求阶段这个功能到底解决什么问题
设计阶段哪些边界必须处理，哪些暂时不处理
实现阶段哪些文件可以改，哪些文件不能动
重构阶段当前是坏设计，还是历史约束
测试阶段怎样才算真的完成，而不是刚好能跑
沉淀阶段哪些经验值得写入项目上下文

AI 适合执行明确任务，不适合替你承担所有取舍。

Spec Coding 的意义，就是在人类还掌握判断权的时候，先把需求、边界、计划和验收标准固定下来，再让 AI 进入执行阶段。

Spec Coding：先定义，再生成

我现在越来越少直接对 AI 说“帮我实现这个功能”。

我更倾向于把开发拆成几个阶段：

阶段目标产物
Context让 AI 理解项目CLAUDE.md、CONTEXT.md
Spec让需求变清楚PRD、需求说明、边界条件
Plan让实现路径可审查实施计划、文件改动范围
Execute让 AI 小步实现代码、配置、接口、页面
Review让结果可验证Review 结论、测试结果、问题清单
Memory让经验可复用更新 CONTEXT.md、沉淀 Skill

这套流程的核心不是文档本身，而是控制权。

Spec 不是为了写文档而写文档。
Spec 是为了在 AI 写代码之前，先把“什么是正确”定义出来。

没有 Spec，AI 的目标是模糊的。
有了 Spec，AI 才有可对齐的对象。

CLAUDE.md 管规则，CONTEXT.md 管语义

我接手一个新项目后，第一步通常不是写业务代码，而是建立项目上下文。

CLAUDE.md 记录项目级规则。它告诉 AI：在这个项目里应该怎么做。

CONTEXT.md 记录业务级语义。它告诉 AI：这个项目到底是什么，哪些概念不能误解。

这两个文件不是越长越好，而是越清晰越好。

文件关注点典型内容
CLAUDE.md行为约束技术栈、代码规范、命令规则、禁止事项、输出格式
CONTEXT.md业务理解领域概念、状态流转、关键决策、历史原因、业务边界
Skill工作流复用诊断流程、PRD 流程、Review 流程、TDD 流程
Hook强制执行提交前检查、禁止危险命令、格式化、测试校验

我不会把所有东西都塞进 CLAUDE.md。
规则、语义、流程、强制检查，应该分层管理。

否则上下文会变成一个大杂烩，AI 表面上“看到了很多信息”，实际却抓不住重点。

复杂需求：先让 AI 盘问你，而不是直接服务你

复杂需求最危险的地方，不是 AI 不会写，而是你自己也没想清楚。

所以面对逻辑复杂、边界模糊、状态较多的需求，我会先使用类似 /docs-with-me 的流程，让 AI 反过来盘问我。

这一步的价值不只是让 AI 理解需求，更重要的是逼自己澄清需求。

AI 追问的问题背后的价值
这个功能的目标是什么防止实现偏离业务目的
有哪些角色参与明确权限边界
有哪些状态明确流程模型
每个状态允许什么操作防止按钮和接口乱飞
异常情况怎么处理提前暴露隐藏分支
哪些字段必须新增避免过度建模
哪些逻辑复用旧代码降低无关改动
怎样算完成建立验收标准

需求没有被问清楚之前，不要急着让 AI 写代码。

越早编码，越容易返工。
越晚澄清，代价越高。

Plan 模式的价值，是让错误发生在代码之前

我现在对复杂任务都会要求 AI 先写实施计划。

计划不是仪式感，而是一个提前纠偏的检查点。

因为 AI 真正危险的地方，不是代码写错一行，而是整体方向从一开始就错了。

审查计划时，我重点看什么为什么重要
改哪些文件控制影响范围
不改哪些文件防止任务扩散
数据模型怎么设计防止字段膨胀
是否复用已有实现保持项目一致性
是否有多余兼容避免过度工程
边界条件是否明确防止上线后补洞
是否有验证方式防止“看起来完成”
是否符合现有风格降低维护成本

一个错误计划，会制造一批错误代码。
一个清晰计划，能让 AI 的执行力真正变成生产力。

实施阶段：AI 负责推进，人负责方向

AI 写代码时，不要完全放手。

我会把 AI 当成一个执行力极强、但容易误解上下文的初级开发。它可以很快，但需要及时校准。

AI 走偏的表现我会怎么干预
开始改无关文件明确限制改动范围
引入新抽象要求优先沿用旧结构
过度兼容删除当前需求不需要的分支
重写公共组件限制只改当前模块
忽略现有风格指定参考模块
一次改太多要求暂停并重新列计划

AI Coding 不是把活扔给 AI。
AI Coding 是让 AI 推进，人类负责方向盘。

Review：让 AI 从实现者切换成审查者

AI 写完后，我不会直接相信它完成了。

我一般先人工测试，再让 AI Review。

人工测试看需求是否满足，AI Review 看代码是否存在隐藏问题。

阶段关注点
人工测试页面是否正常、流程是否符合预期、数据是否正确
AI ReviewBug、漏洞、空指针、无关改动、重复代码、边界遗漏
单元测试核心逻辑是否可重复验证
回归检查是否影响已有功能

这里有一个关键点：

不要让同一个角色一直写。

开发阶段让 AI 做实现者。
审查阶段让 AI 做 Review 人。
诊断阶段让 AI 做问题分析师。
重构阶段让 AI 做架构顾问。

角色切换，本质上也是上下文切换。

多 Agent：不是并发写代码，而是分离职责

我在新模块开发时，会使用 Agent Team。

但我现在越来越谨慎地看待多 Agent。

多 Agent 的价值，不是“让一堆 AI 同时写代码”，而是把不同责任拆开，避免一个上下文窗口承担所有角色。

Agent 角色主要职责
Lead Agent拆任务、控边界、汇总结果，不直接写代码
需求分析 Agent澄清需求、整理 PRD、发现歧义
前端 Agent页面、组件、交互、接口调用
后端 Agent接口、服务、数据模型、权限逻辑
测试 Agent测试用例、验证路径、边界检查
Review Agent审查改动、发现风险、提出修正建议

多 Agent 最怕一件事：边界没定，大家同时开干。

所以在启动多 Agent 前，我会先明确：

必须先确定的东西原因
模块边界防止 Agent 互相踩范围
接口契约防止前后端各写各的
数据模型防止字段设计分裂
文件归属防止 worktree 合并冲突
验收标准防止每个 Agent 对完成的理解不同

Lead Agent 不应该是“最能干活的那个”。
Lead Agent 应该是“最少亲自动手、最多保持上下文干净的那个”。

复杂 Bug：不要在污染上下文里继续挣扎

有些 Bug，AI 一轮就能修好。

但如果一个 Bug 已经在同一个对话里反复修、反复错，我通常会开新对话。

这不是逃避，而是清理上下文污染。

旧对话里可能已经充满错误猜测、失败方案、临时补丁和无效结论。继续在里面分析，AI 很容易沿着旧错误继续推理。

旧上下文里的污染物可能造成的问题
错误判断AI 继续沿错误方向修
失败方案干扰新的诊断路径
临时补丁掩盖真实原因
反复推翻的结论降低推理稳定性
大量无关日志稀释关键信息

复杂 Bug 更适合重新建模，而不是继续试错。

我会在新对话中重新提供：

信息作用
错误现象描述用户真正看到的问题
复现路径建立问题触发条件
前端控制台判断是否是页面或请求问题
后端日志判断是否是服务端异常
接口参数判断前后端契约是否一致
数据库表和字段判断数据状态是否正确
最近改动判断是否是回归问题

修 Bug 时，AI 的价值不只是“帮我改代码”，更重要的是“帮我扩大观察面”。

很多时候，真正的修复来自人类重新判断，而不是 AI 自动试错。

重构：没有测试保护的重构，就是赌博

当我觉得代码臃肿、结构混乱、AI 写的代码连自己都看不懂时，我会考虑重构。

但重构前，我会非常谨慎。

因为 AI 参与重构时，经常有一个问题：它太积极。

它会很乐意抽象、拆分、封装、重命名、迁移结构。问题是，真实项目里的很多“不优雅”，未必都是坏设计，也可能是历史约束、兼容逻辑、上线压力或团队习惯。

重构前要确认为什么
当前问题是什么防止为了重构而重构
哪些行为必须保持不变防止破坏业务
是否有测试保护防止改完无法验证
是否小步提交方便定位问题
是否保留回退空间降低风险
是否符合团队习惯防止重构成个人风格

重构不是让代码看起来更高级。
重构是让下一次变化更容易发生。

任务完成后，应该主动清理上下文

我现在越来越认同一句话：

上下文不是越多越好。

一个任务完成后，如果要做另一个独立任务，我通常会开新对话。

旧上下文里有太多噪声：

噪声影响
废弃方案干扰后续判断
错误日志稀释新任务重点
临时解释让 AI 误以为仍然有效
无关文件占用上下文窗口
失败尝试诱导 AI 重复错误
旧任务目标和新任务目标冲突

开新对话不是浪费上下文。
开新对话是给新任务一个干净的推理空间。

Skill：把一次经验变成可重复流程

如果一个提示词只用一次，它只是提示词。

如果一个流程会反复使用，它就应该沉淀成 Skill。

适合沉淀为 Skill 的流程原因
复杂 Bug 诊断步骤稳定，信息结构固定
PRD 生成需求澄清方式可复用
代码 Review审查维度相对固定
TDD 流程先测后改的节奏稳定
重构分析需要固定的风险检查
上线前检查清单化价值高

但 Skill 不是越多越好。

太多 Skill 会让 AI 犹豫，也会让项目上下文变得臃肿。

真正值得沉淀的，不是灵感，而是流程。
不是一句好提示词，而是一套可重复执行的判断链。

我现在对 AI Coding 的几个判断

判断含义
AI 不缺执行力，缺上下文不要只催它写，要先让它理解
Spec 不是文档，是控制权先定义正确，再生成代码
Plan 是代码前的刹车让错误停在实现之前
Review 是角色切换不要让 AI 永远站在实现者视角
多 Agent 是职责分离不是简单并发，不是人多力量大
新对话是上下文治理不是从零开始，而是清理污染
Skill 是流程资产不是提示词收藏夹
Hook 是规则落地不要只相信模型会自觉遵守
测试是重构护栏没有验证，重构只是赌博
人类负责判断，AI 负责推进这是当前阶段最稳的分工

结语：AI 编程的成熟度，取决于你能控制多少不确定性

AI Coding 的早期体验，很容易让人沉迷于“生成速度”。

但用得越久，我越觉得，真正重要的不是速度，而是可控性。

Vibe Coding 解决的是“能不能快速写出来”。

Spec Coding 解决的是“能不能按明确目标写出来”。

更进一步，真实项目里的 AI Coding 还要解决：

AI 看到什么；

AI 忽略什么；

AI 遵守什么；

AI 什么时候停；

AI 写完后如何验证；

这次经验如何沉淀到下一次。

AI 编程不是把人从开发流程里拿掉。

恰恰相反，它要求人更清楚地定义流程、边界和判断标准。

未来开发者的能力，可能不只是会不会写代码，而是能不能把模糊需求转化为清晰规格，把隐性知识转化为显性上下文，把一次性经验转化为可复用流程。

AI 负责生成。

人负责定义什么值得生成。