[问与答] 维护老系统的时候，对于描述起来比较复杂的需求是怎么用 ai 处理的

一句话看懂：在 V2EX 社区的一次技术讨论中，开发者们围绕“维护老系统时，如何向 AI 高效描述复杂JSON嵌套需求”展开热议，核心矛盾是：当解释需求的时间过长时，自己动手可能更快。讨论中浮现出几条实用方法论，包括让 AI 先出方案再由人决策的“探照灯法”，以及通过永久化文档减少重复上下文输入。

事件核心：发生了什么

2026年5月29日，V2EX 用户 perbugwei 发问：在维护老系统时，面对第三方系统返回的长 JSON 对象，需要提取多个映射字段（如取 a 代表 XXX，b 代表 XXXX），每次向 AI 描述需求都要来回拉扯好几轮，结果“自己都写完了”。该帖在 3 小时内获得 1377 次浏览和 21 条回复。

讨论中，多位开发者分享了各自的高效做法：用户 Solix 提出“让AI推荐选项，我打 A B C 选择”的对话式方法，并戏称此为“古法提示词”的升级版；用户 sentinelK 推荐“探照灯法”——先给 AI 宏观任务，让其自行研究并输出 Plan，人与 AI 仅修正方向；用户 superhot 和 teaguexiao 则强调预先制作数据映射文档（如 data_mapping.md），未来可直接作为上下文贴给 AI。此外，有开发者指出，如果 AI 无法理解代号字段（如 ext1、ext2 的祖传屎山），本质上是因为项目缺少规范化的架构文档。

为什么重要

这场讨论折射出当前 AI 编码辅助工具在高耦合、低文档的老系统维护场景下的真实瓶颈。虽然大模型在通用代码生成方面表现优异，但在处理“业务语义密度的脱节”（即字段命名无意义、历史逻辑缺失）时，反复沟通效率反而低于人工。讨论中提出的“先出方案再确认”和“外挂静态记忆文档”两种策略，本质上是将 AI 定位为“执行顾问”而非“对话窗口”，这与业界提倡的 Spec-Driven Development（规范驱动开发）和 Agent 式工具 (如/grill-with-docs) 思路一致。这提醒行业：AI 编程助手的下一阶段突破，不应仅关注生成代码的质量，更要解决“怎么让 AI 理解复杂业务上下文”这一成本问题。

对用户/开发者/创作者的影响

对于维护老系统的开发者：可以停止“古法提示词”式的往返沟通。优先采用“先花半小时搭建项目的架构概述与字段映射文档，然后让 AI 一次性读文档生成代码”的模式。长期来看，每次改需求时顺手更新一份轻量级 AI 上下文文件，能大幅降低重复劳动。
对于 AI 编程工具的使用者：如果发现 AI 反复不理解需求，不必怀疑模型能力——很可能是你没有给它足够的结构化上下文。参照社区做法，一次建模、多次复用。
对于 AI 产品经理/工程团队：此讨论直接暴露了现有对话式交互在遗留系统维护中的局限性，建议在产品中引入“项目级记忆”或“可持久化的知识库”功能，让用户能为特定项目预置背景信息，而不是每次从头开始对话。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

值得关注的后续

1. 是否会有AI编程助手推出“项目维基”或“文档绑定”功能，让用户为特定老系统建立永久化记忆；
2. 上述“探照灯法”与“选项即决策法”是否会演变为通用的 AI 协作模式，被更多工具采纳；
3. 在长期维护项目中，是否会出现足够成熟的自动化文档生成工具，能从代码和注释中自动生成AI友好的上下文文件，降低老系统的事前准备成本。

来源：V2EX (创意工作者社区)

[问与答] 维护老系统的时候，对于描述起来比较复杂的需求是怎么用 ai 处理的