bestpractice_ai_programming_mindset

道-方法 · 道层 skill 全文

本页是 <code>rules/skills/bestpractice_ai_programming_mindset.md</code> 的逐字投影（仅隐私清洗，零改写）。

AI 编程核心方法论

元数据

• 类型: BestPractice
• 适用场景: AI 辅助编程、Agent 系统设计
• 创建日期: 2026-02-21
• 来源: 多次 AI 编程实践总结
• 最后更新: 2026-03-01

基础公理（详见 axioms）

本文件的方法论建立在以下公理之上，此处不重复展开：

• T05：认知是资产，代码是消耗品
• T02：结果确定性优于过程确定性

"70% 问题"的诊断与解决

问题本质

AI 编程中常见的"70% 问题"——AI 能完成 70%，但最后 30% 总是各种问题——根本原因是自我迭代反馈环被打破：

1. AI 无法感知产出是否符合期望：没有"眼睛"看结果
2. 成功标准太主观：缺乏明确的"好"的定义，AI 不知道往什么方向迭代

解决方案

1. 为 AI 打开感知通道：
• 让 AI 能看到运行结果（截图、日志、测试输出）
• 提供 UI 时附带视觉反馈
• 执行命令后返回完整输出

1. 建立清晰的成功标准：
• 明确"什么是好"（不只是"能跑"）
• 量化指标优于主观描述
• 提供参考案例或期望输出

Reasoning Model 与 Agentic Workflow 的关系

互补而非替代

• Reasoning Model：擅长深度分析、复杂推理、规划
• Agentic Workflow：擅长协调执行、工具调用、状态管理

Reasoning Model 的局限

Reasoning Model 的"反思"是 stateless 的——它无法感知外部世界的变化。思考结束后，世界已经变了。

推荐架构

生产环境采用混合架构：

• Reasoning Model 做深度分析和规划
• Agentic Workflow 做协调执行和状态管理
• 外部 orchestration 负责整体流程控制

认知外包的界限

在 AI 能力越来越强、成本越来越低的时代，需要明确哪些任务可以外包、哪些必须保留：

可以外包的

• 查漏补缺：信息收集、格式整理
• 机械执行：重复性编码、文档生成
• 快速原型：探索性实现

必须保留的

• 形成自己的观点
• 定义问题和成功标准
• 关键决策的价值判断
• 对输出质量的最终审核

"直觉"优于"程序"拐点

对于复杂语义任务，LLM 的"黑盒直觉"可能比显性逻辑代码更具韧性和效率。

当任务涉及：

• 复杂语义理解
• 多因素权衡
• 边界模糊的判断

LLM 的端到端处理可能比显式规则更robust。这是从"程序思维"到"直觉思维"的范式转变。

文件系统作为天然状态机

本地 Agent 模式的核心设计原则：

• 文件系统本身就是最可靠的状态持久化层
• 状态变更 = 文件操作，天然可审计、可回滚
• 避免「内存状态 + 手动持久化」的复杂性

AI 时代数据科学家三大原型

技能正在贬值，但特质与性格越来越重要。三种角色：

1. 架构师：定义问题、设计系统、编排能力边界
2. 审计师：评估质量、发现模式、交叉验证
3. 全栈构建者：端到端交付、快速原型、集成验证

核心洞察：同一人可以扮演不同角色，但明确当前角色能避免思维混乱。

注意事项

• 生产力陷阱：为节省微小 Token 成本而牺牲开发者心智带宽和 Flow 状态，属于过早优化
• 物理锚点：复杂逻辑校验的最终防线是物理常识（见 bestpractice_temporal_info_verification.md）
• 上下文腐烂：定期反思和固化方法论，避免上下文在 session 间丢失

AI 落地核心决策

基于《以一个简单任务为例看 AI 落地的关键决策》提炼：

1. 用本地 Coding Agent 而非 ChatGPT

• 降低上下文传递与落地摩擦
• Agent 直接操作代码库，而非复制粘贴
• ChatGPT 适合快速问答，不适合系统开发

2. 动手前先定义成功标准

• 建立测试作为 feedback loop
• 明确"什么是好"，不只"能跑"
• 测试是给 AI 的导航信号

3. 让 Agent 自己处理 corner case

• 结果确定性 vs 过程确定性
• 不要事无巨细规定步骤，让 AI 自己决策实现路径
• 关注产出是否符合预期，而非实现过程是否"正确"

4. Divide and conquer 应对 context window saturation

• 8 个 sub-agent 并行处理
• 每个 sub-agent 职责单一
• 最后汇总而非一次性塞入所有信息

5. Prompt 自举且结果导向

• 让 AI 自己迭代和改进
• 不规定每一步怎么做
• 用 2 分钟撬动 AI 45 分钟工作量——AI 是杠杆

最后更新: 2026-03-01