一句话看懂:掘金开发者谭sir 于 2026 年 11 月 16 日发布文章,总结了一套围绕 AI 的辅助开发工作流,核心结论是:给足上下文、给出明确指令,AI 才能把任务做好;同时需要配套测试与 Review 方式的调整,否则提效会在验收环节被卡住。
事件核心:发生了什么
作者把让 AI 高质量完成任务的关键归为两点:提供正确且足够的上下文,以及给出明确指示。他认为 AI 像一位技术过硬但不熟悉业务的新同事,如果上下文缺失或指令含糊,它就会自行猜测,导致幻觉和跑偏。反面例子是只说一句“做一个类似淘宝的下单功能”,或把“订单列表翻页偶尔少一条”直接丢给 AI 修;后者的真实根因是分页查询只按创建时间排序,同一秒生成的两条订单在翻页时顺序出错。
在基础设施层面,作者建议把技术栈、目录结构、CI 配置等工程知识写进仓库说明文件(如 AGENTS.md),业务知识也在仓库内维护,并通过 MCP 或只读 API Key 向 AI 开放日志监控、生产只读数据库、工单系统和聊天记录权限。指令则被提炼成仓库内的 Skill,例如方案设计、编码实现、提交 PR、跟进 CI 评论等环节各有一套。测试方面,他主张针对业务行为写集成测试和 Playwright E2E 测试,用确定性脚本减少 Token 消耗和幻觉;Code Review 的重点从逐行看代码转向审核方案、证据和业务行为。
为什么重要
这套思路反映了 AI 编程工具落地的一个现实问题:模型能力不再是唯一瓶颈,工程侧如何为 AI 准备可读的数据和权限,正在成为新的基建工作。作者提出的“日志不是打给人看,而是打给 AI 看”、Skill 化指令、CI 中按改动范围触发 Prompt 回放等做法,指向同一件事——把 AI 当作需要接入研发流程的参与者,而不是临时问答工具。这对团队搭建 AI 开发规范具有参考价值,但文中经验来自个人实践,目前公开信息显示尚无大规模团队效果数据。
对用户/开发者/创作者的影响
对开发者而言,直接可用的启示是:提示词难以长期复用,应把排查和实现规范沉淀为仓库内的指令文件;同时不要为了审代码而牺牲提效,把人工精力放在关键 SQL、权限配置和 PR 证据链上。对使用 AI 辅助内容或功能开发的创作者,这意味着“上下文工程”比反复调 Prompt 文本更值得投入。需要留意的是,作者也承认即使条件齐备,AI 方案仍可能出错,稳健派做法仍要求人对核心业务方案逐一把关。
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
一是 MCP 等外部系统接入方式在团队中的实际采用情况,尤其是只读权限与密钥管理工具(如 Infisical、Doppler)的配合;二是 Skill 化指令和 CI 自动 Review 能否在多人协作中保持精简、不沦为新的维护负担;三是 Prompt 回放系统在 CI 中的落地效果,能否有效防止“修一个旧问题又带出另一个”。
来源:juejin

