一句话看懂：开发者 @ungetsuli 分享了一套专门清理 AI 编程长程迭代后遗留冗余代码的 Prompt 方案，基于 DeepSeek Harness 仓库优化而来，并将其抽象为通用的 simplify-codebase 规范，旨在解决 AI Coding 工具持续堆叠抽象、状态和兼容层后产生的“屎山代码”问题。
事件核心：发生了什么
8 月 27 日，开发者 @ungetsuli 在 X 平台公开了一套实测有效的代码清理 Prompt 方法论。这套方案最初服务于 DeepSeek Harness 仓库的维护，随后被抽象成适用于一般代码库的 simplify-codebase 规范。其核心思路是：在 AI 深度参与编码后，不再让模型单方面继续做加法，而是要求其按“真实模块和所有权边界”拆分任务，由多个子代理并行清扫各自负责的模块，主代理则专门处理跨模块契约接口并执行最终验证工作。
这套方法直指当前 AI Coding 工具（如 Codex、Claude Code 等）的一个通病：AI 擅长为每个需求新增抽象层、状态变量、接口定义和兼容层，却很少主动论证哪些既有功能已可安全删除。每一次单点修改单独看都合理，但经过长程迭代累积后，整个仓库的维护成本会急剧上升。开发者还推荐了一个配套工作流：先让网页端 Pro 级模型审查整个仓库并生成清理方案，再将方案交给 Codex 按照检查结果实际修改和验证。相关工具代码已托管在 github.com/tt-a1i/simplify-codebase 仓库中。
为什么重要
这则分享切中了 AI 辅助编程从“能用”走向“可靠”的关键瓶颈。过去行业关注重点是 AI 能否生成正确代码，但真实项目中大量成本消耗在代码的长期可维护性上。当 AI 承担越来越多的开发工作，代码库的质量不再取决于单次生成质量，而是取决于对历史痕迹的清理能力。目前公开信息显示，主流 AI 编码工具普遍缺少主动发现和删除冗余依赖的机制，大量团队面临“AI 写代码快，但重构时反而要花数倍精力处理其遗留债”的现实困境。这种基于多代理分职责的清理范式，有望成为 AI 编程工作流中类似于“代码评审”的必备环节，也对开源工具和商业 IDE 的既有功能设计提出了新需求。
对用户/开发者/创作者的影响
对于大量依赖 AI Coding 工具进行项目迭代的开发者而言，这套方法的价值在于提供了一种可查询、可复制的实践路径。它不依赖更换模型或工具，而是通过更精细的 Prompt 设计和任务拆解来减少技术债堆积。个人开发者在使用 Codex、Claude Code 等工具完成功能开发后，可以直接套用该规范对代码库做一次系统性安全瘦身，降低后续迭代的认知负担。对团队而言，这套方案中的“子代理并行清扫 + 主代理验证契约”模式，也能为代码审查流程提供参考。对于构建 AI 开发工具的公司，这则案例则指向了一个产品机会：将“主动证明可删除性”内置为编码代理的一项默认职责，而非完全依赖第三方 Prompt 修补。
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。
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
以下三个观察点值得持续跟踪：第一，simplify-codebase 仓库是否会被更多开发者采纳并涌现出更多适配不同语言和框架的案例，这将检验其通用性；第二，OpenAI Codex、Anthropic Claude Code 等主流编码代理是否会在后续版本中内置类似的清理验证能力，将直接影响该生态的竞争走向；第三，这套基于多代理协作的方法论是否会衍生出可复用的商业化工具或集成到 CI/CD 流水线中，成为 AI 工程最佳实践的一部分。
来源：@ungetsuli
