建立可靠的 AI 开发工作流
高质量 AI 协作依赖上下文、任务边界、验证和版本记录，而不是某条神奇 Prompt。
- 每次 AI 改动都范围清楚、结果可验、版本可退。
- 读项目、写计划、分步实现和独立验证
- 用“计划—实现—验证—审查”完成一个小功能，并保存每阶段产物。
- 完成 8.1「从真实问题定义产品」
FOUNDATION
必须理解
高质量 AI 协作依赖上下文、任务边界、验证和版本记录，而不是某条神奇 Prompt。
稳定的 AI 开发流程依赖充分上下文、小任务、版本保护和独立验证。Prompt 只是其中一个输入，真正质量来自你如何定义问题和收集证据。
AI 像速度极快的新同事：给清楚任务和材料时能高效完成；让它猜公司背景并直接操作生产系统，速度会放大风险。
为任务应用增加截止日期时，先读现有模型与页面，写契约和迁移计划，再分别实现数据库、API、UI，逐步测试并审查差异。
读项目、写计划、分步实现和独立验证
给 AI 的上下文包括你想做什么、项目现在怎样、有哪些限制、相关文件在哪，以及最后怎么验收。信息越准，它越不用猜；把整个项目毫无重点地塞进去也未必更好。
基础概念
可靠 AI 开发从读取现状开始，再形成可审查计划，把工作拆成小改动，并用独立证据验证。上下文提供目标、相关代码、限制和验收，不是无选择地倾倒所有文件。
进一步理解
先让 AI 复述现有数据流和不应改变的行为；计划明确改哪里、为何改、怎样测；一次实现一个可验证切片。
上下文太少会迫使猜测，太多无关内容会淹没重点。优先提供入口、类型、错误、测试和与任务直接相关的文件。
增加任务筛选前，先让 AI 读列表状态与 URL 逻辑，计划只改筛选相关文件，每一步运行现有和新增用例。
长 Prompt 不自动等于好上下文。关键是信息可验证、与决策相关，并清楚区分事实与期望。
这一小节记住：让 AI 先理解边界，再小步修改，每一步都留下可检查结果。
假设、决策记录和失败恢复
计划、实现、验证、审查可以把大任务拆成几个能停下来的小闭环。哪一步出了问题，就回到最近稳定位置，不必在错误代码上继续堆修改。
基础概念
假设是尚未验证的判断，决策记录保存选择、依据与放弃方案，失败恢复依靠版本历史和最近稳定检查点。
进一步理解
AI 应明确说出它假设的版本、数据形状和运行环境。高影响假设先通过读取或小实验验证，不能藏在实现里。
一次改动失败时回到已知状态，比较差异并缩小范围。继续在未知代码上追加提示会让因果链越来越长。
AI 假设接口返回数组，先用真实响应核对；决定保守更新后记录理由，失败时撤回单次提交而不覆盖其他用户修改。
记录决策不是把聊天全文保存。真正有用的是问题、选择、证据、后果和未来重新评估条件。
这一小节记住：显式假设减少暗中猜测，稳定检查点让失败能够安全恢复。
代码审查、测试和人工责任
AI 给的是候选答案，不是已经发生的事实。差异要你看，测试要你跑，安全和产品取舍最后也得由你负责。
基础概念
代码审查检查改动是否正确且符合意图，测试执行可重复行为，人工责任包括产品取舍、安全判断和最终发布决定。
进一步理解
AI 可以生成 diff 与测试，但同一个模型可能重复自己的错误。验证应尽量独立：编译器、测试、真实请求和人工阅读提供不同证据。
审查关注变更范围、错误路径、权限、数据和回归，不因代码风格流畅就默认正确。高风险操作需要更强证据与人工批准。
AI 写完权限过滤后，人工阅读查询条件，再以另一用户真实请求并运行集成测试，三者共同证明越权被阻止。
测试通过只覆盖已经写出的用例，审查通过也不证明生产环境安全；证据要与风险匹配并组合使用。
这一小节记住：AI 提供高速候选，人用独立证据决定它是否可以成为产品事实。
AI COLLABORATION
AI 如何参与
把 AI 当作可以高速执行与解释的团队成员，而不是拥有最终权限的自动驾驶。
推荐协作顺序
- 1
先给 AI 目标、现状、约束和验收，只让它写计划。
- 2
按计划一次授权一个小步骤，完成后查看差异。
- 3
用测试和真实页面验收，再开启一个独立审查找遗漏。
我要为现有任务应用增加“截止日期”。请先只做计划：阅读我提供的数据模型、创建接口、表单和测试；列出假设、涉及文件、数据迁移、失败场景、分步实现与每步验收。未经确认不要写代码，不改无关文件。
计划能把数据、接口、界面和迁移分成可独立验证的小步，并显式列出未知假设。
人工检查清单
- 确认 AI 实际读取了给定代码，范围与需求一致，测试覆盖旧数据和空截止日期。
- 要求 AI 在动手前列出已确认事实、未验证假设、修改范围和验收证据。
- 用测试、构建、真实操作和人工 diff 至少两类独立方法验证，不能让 AI 自己宣布完成。
COMMON TRAPS
常见误区
错误不是需要隐藏的失败，而是帮助你看清系统边界的证据。下面三类问题在 AI 辅助学习中最常出现。
一句话要求生成整个系统
- 你会看到
- AI 自己补齐大量假设，结果看似完整却和项目结构冲突。
- 为什么发生
- 一次生成整个系统会同时引入大量未经确认的架构、依赖和数据假设，任何失败都难以定位。
- 怎样纠正
- 先读项目和写计划，再分数据、接口、界面逐步实现。
错误上继续叠提示词
- 你会看到
- 第一版已经偏离，后面不断要求“再修一下”，改动越来越乱。
- 为什么发生
- 在失败结果上继续叠加提示会让 AI 用更多代码掩盖根因，最终无人理解当前状态。
- 怎样纠正
- 回到最近稳定版本，补充新证据后重新规划。
AI 自己说测试通过就相信
- 你会看到
- 没有看到命令和输出，也没有走真实用户流程。
- 为什么发生
- AI 输出语气稳定且速度快，容易让人跳过审查，但责任、权限和真实环境不随语气转移。
- 怎样纠正
- 亲自查看差异、运行验证，并对高风险部分做独立复核。
HANDS-ON
动手任务
用“计划—实现—验证—审查”完成一个小功能，并保存每阶段产物。
- 完成 8.1「从真实问题定义产品」
跟着做
- 01
选择一个小功能并写目标、非目标与验收。
- 02
收集相关文件、版本和当前测试。
- 03
让 AI 给计划与假设，不立即实现。
- 04
按步骤逐项实现，每次查看差异并运行验证。
- 05
让 AI 做审查，再由你处理高风险项并写决策记录。
每次 AI 改动都范围清楚、结果可验、版本可退。
对同一改动开启一个全新对话做独立审查，比较两个 AI 结论并解释你的最终判断。
离开本课前，自问四件事
- 一次高质量上下文应包含哪些事实、限制和验收？
- 计划—实现—验证—审查为何要分成可停下的小阶段？
- 怎样记录一个真正有价值的假设与决策？
- 我会用哪些独立证据检查 AI 的改动，而不是让它自证？
确认完成后，会同步更新学习中心的课程学习进度。