2026-08-20 AI 辅助开发

定义
有据可查的主题
与本 Wiki 的关系
仓库内当前证据链
综合结论

定义

使用基于大语言模型的工具（IDE 智能体、MCP、项目规则等）来编写、审阅与重构软件；架构取舍、验证与集成仍由人负责。

有据可查的主题

项目上下文：把技术栈、运行环境、风格与约定集中写清楚，让模型少「瞎猜」，更接近「第二次就顺手」的质量（AI 辅助开发探索）。
角色分工：把工程师定位成智能体的编排者、输出的导师审阅者、问题的解决者，而不是唯一打字员（同上篇）。
质量与安全：始终以验证为先；留意状态、性能与安全；采用分层审阅——模型先做一遍、人在架构与业务上把关、团队照常守住质量线（如何提升 AI 代码质量）。当产出增加而理解没有沉淀时，应把审查、追问、独立实践和复盘放回工作流（我的 vibe coding 撞墙了）。
迭代：接受多轮循环；早期输出往往是在帮系统「弄清任务到底是什么」（如何提升 AI 代码质量）。
工具链：在 Cursor 里通过 Playwright MCP 做浏览器自动化（Cursor Playwright MCP）；在 Claude Code 中把设计探索、原型导出和代码导入串起来（在 CLI 里用 Claude Design 做原型设计）。
Skill 沉淀：把一次性解决方案补齐输入检查、异常处理和结果验收，再封装成可复用流程（视频人脸打码 Skill）。Skill 保存的是做法，不会带走本机依赖；跨设备能否继续，取决于会话跑在云端还是 Remote Control 本地会话（Skill、会话与执行环境，笔记本合上后手机继续执行 Skill）。
流式可靠性：连接恢复、内容重放和推理恢复是不同层次；结构化输出与工具调用必须在完整校验后执行（AI 流式生成恢复）。
提示用语：写提示词时英文动词尽量一致、减少歧义（提示词常用词汇）；”go ahead”表许可，”continue”表状态延续，”ok”语义模糊常触发 AI 等待而非继续（跟 AI 说 ok，它为什么有时不继续）。
AI Native 四阶段：AI 化（接 API）→ AI Workflow → AI Native System（架构从设计之初就以 AI 为核心）→ AI Native Organization；以业务实体为中心重建生产体系，知识图谱与标准化 SOP 是落地基石（AI Native 不是接个 API）。
延伸阅读：提示工程读物与 Harness 工程化资料可当书签（提示工程阅读清单，Harness 工程化链接集）。
Claude Code 官方工作流：常见工作流（读库/调试/PR/plan mode/计划任务）；并行代理（子代理、代理视图、团队、动态工作流）。
工具与模型选型：Cowork（沙箱桌面 Agent）面向非技术用户，Computer Use / Memory 开销大；开发者写代码优先 CLI（Claude Code）或 IDE（Cursor），避免用错产品导致额度快速耗尽（原来我一直用错了 Cowork）。模型与 Thinking Effort 也应按任务难度选择，不必让所有工作都使用最高档位（GPT-5.6 Sol、Terra、Luna 和 Thinking Effort）。
轻量召回：关联文档 / Agent 旧文召回可先用关键词重合排序，不必为小功能上 embedding（关键词重合召回）。

与本 Wiki 的关系

本仓库多篇「AI 工程化」博文可串成一张主题地图（四组主题、共同主线、下一篇方向）：AI 工程化写作主轴：四主题索引与下一篇方向。
大语言模型知识库：给智能体超出单次对话的、可结构化的长期背景的一种方式。
AI 知识库：覆盖「上传资料再查询」式落地；实际开发里常把两种路子组合使用。
RAG 与 Graph RAG：知识库检索底座（向量 RAG vs 图 RAG）选型参考。
AI 协作心理负担：深度用 AI 时的提效反噬、思维外包与价值感问题（与流程治理互补）。
Skill、会话与执行环境：Skill 保存做法，会话决定任务跑在哪里，执行环境负责真正跑脚本。

仓库内当前证据链

综合结论

主轴是治理：模型加速草稿，但正确性、安全性与可维护性的责任仍在人这边。更强的共享上下文（规则文件、wiki、工单）减少返工；把「多轮审阅、多轮迭代」写进预期，也就不必对「第一版补丁常不对」感到意外。

修订：Cursor Agent，2026-08-14。