配套视频：https://www.bilibili.com/video/BV1esV86yEjz/
一、核心理论背景
Matt Pocock 是一名 AI 编程课程教师。他的核心观点是：AI 是新范式，但软件工程基本原理依然适用，甚至更加重要。 很多人在谈论 AI 是全新范式时，却忘记了那些经过时间检验的软件工程原则——这些原则不仅适用于人类协作，对 AI 协作同样极为有效。
二、大语言模型的两大核心限制
限制一：智能区 vs 愚钝区（Smart Zone / Dumb Zone）
这一概念来源于 Dex Horthy（Human Layer 公司创始人）。
大语言模型在处理上下文时，注意力机制本质上是每个 token 与其他所有 token 之间相互关联。每向上下文中添加一个 token，关系数量就呈平方级增长——就像联赛中每增加一支球队，比赛场次就呈平方级增长一样。
这意味着：上下文越长，模型越来越"笨"。
实用基准：约 10 万 token 以内为智能区（无论上下文窗口是 20 万还是 100 万）
应对策略：保持任务规模小，避免一次性塞入过多内容
类比：来自 Martin Fowler《重构》的建议——量力而行，任务宜小
限制二：记忆碎片问题（Memento Problem）
大模型就像电影《记忆碎片》里的主角——每次会话都会重置上下文，回到初始状态。
每次与大语言模型交互，都经历相同流程：
系统提示词（应尽量精简，否则直接陷入愚钝区）
探索阶段（代理探索代码库）
实现阶段
测试与反馈阶段
关于"压缩（Compaction）"技术： 将整段对话压缩为更小的历史摘要。作者的态度是——不喜欢压缩，更偏好让模型每次从干净状态启动，因为这样行为更可预测、更一致。
三、完整工作流程
构思 → 对齐（烤问）→ PRD → 看板拆分 → 并行实现 → QA → 代码审查 → 合并
↑ 人工介入阶段（白班） ↑ AI 自动执行阶段（夜班）这个流程可以理解为白班与夜班的分工：
白班（人工）：统筹规划，确保方向正确，建立共识
夜班（AI）：自动执行实现任务
Step 1：「烤问我」技能（Grill Me Skill）
目的：建立设计共识，避免无声的错位。
使用方式：
将客户简报（如 Slack 消息、需求描述）传入
调用
/grill-me技能AI 扮演"挑剔的客户"，逐一追问需求细节，并给出推荐答案
开发者逐一回答，与 AI 达成一致
这一环节来自 Frederick P. Brooks《设计的设计》中的"设计理念"概念：当团队共同打造某样东西时，会产生一个所有参与者共享的设计共识。 作者意识到，他需要的不是让 AI 反复生成计划，而是与 AI 真正同频。
作者曾被 AI 问过 40 到 100 个问题，聊了一小时后，得到的就是一段高质量的对话记录——这正是最有价值的资产。
适用场景扩展： 与领域专家开会后，将会议记录喂给 AI，进入烤问环节，深入剖析那些未曾意识到的假设。
Step 2：撰写 PRD（产品需求文档）
烤问结束后，调用 /write-prd 技能，将对话共识转化为结构化文档。
PRD 模板包含：
问题描述（用户面临的问题）
解决方案
用户故事（定义"完成"标准）
实现决策清单
测试决策清单
非本 PRD 范围事项（明确边界，防止范围蔓延）
关键观点：作者通常不逐字细读 PRD。
原因：已通过烤问环节与 AI 建立了共识，LLM 本身就擅长总结。读 PRD 只是在检验 LLM 的总结能力，而非检验对齐质量。真正的对齐已在烤问环节完成。
⚠️ 文档腐烂警告：PRD 存入代码库后，随着代码迭代会逐渐过时，可能严重误导智能体。作者倾向于实现后直接关闭/删除 PRD，而非长期保留。
Step 3：看板式任务拆分
将 PRD 拆分为可独立抓取的任务卡片，明确阻塞关系。
核心原则：垂直切片（Tracer Bullet）
"Tracer Bullet"（追踪弹）来自《程序员修炼之道》——高射炮手在弹尾加装荧光物质，使子弹飞行时发光，从而实时看清弹道、获得即时反馈。
AI 天然倾向于水平切片（逐层编码），需要明确指导它采用垂直切片。
看板结构
任务间存在明确的阻塞关系，形成有向无环图（DAG），支持并行执行：
阶段一：[任务A]（无阻塞，可立即开始）
↓
阶段二：[任务B] [任务C]（同时进行）
↓
阶段三：[任务D]（等待 B、C 完成）这意味着可以同时启动多个独立代理并行处理，而非线性串行。
Step 4：离线代理实现（AFK Agent）
人类退出循环，AI 自动处理看板任务。
基础版：Ralph Loop（单次循环）
# once.sh 核心逻辑
1. 获取所有本地 issue Markdown 文件
2. 获取最近五次提交记录
3. 运行 Claude Code（编辑模式）
4. 传入提示：选取下一个未完成任务，执行，完成后输出摘要进阶版：Sandcastle（作者自研 TypeScript 库）
作者对市面上现有的离线代理方案不满意，自行开发了 Sandcastle：
Docker 沙箱隔离：每个任务在独立容器中运行
Git 工作树：每个任务对应一个独立分支，随时可合并
并行处理流程：
规划器（Planner）
↓ 分析看板，选出可并行的任务
↓
[实现器A] [实现器B] [实现器C] ← 使用 Claude Sonnet（成本低）
↓
[审核器A] [审核器B] [审核器C] ← 使用 Claude Opus（智能强）
↓
合并代理（Merge Agent）← 处理冲突，解决测试问题为何实现用 Sonnet，审核用 Opus？ 作者认为审核环节需要更强的智能，而实现环节对成本更敏感。
Step 5：TDD 测试驱动开发
TDD 对充分发挥智能体效能至关重要。
核心流程：红 → 绿 → 重构
红：先编写一个失败的测试（明确预期行为）
绿：编写最简实现，让测试通过
重构：在测试保护下优化代码
为什么 TDD 对 AI 尤其重要：
防止 AI "偷懒"——先写完整实现再补一层形式化测试
为代码库积累高质量测试
提供即时反馈循环
💡 核心公式：反馈质量 = AI 编码质量的上限
若 AI 输出不佳，通常需要提升的不是提示词，而是反馈质量。没有反馈机制的代码库，AI 完全盲目编码，永远无法产出像样的结果。
Step 6：质量保证（QA）与代码审查
QA 必须人工介入，不可完全自动化。
QA 是开发者将个人审美和品味注入代码库的方式。全自动流程会导致产出"slop"（粗制滥造）——应用缺乏品位、体验糟糕，甚至根本无法运行。
关于 AI 自动审查：
可以且应该在实现后加入 AI 自动审查环节
关键：清空上下文后再审查，让审查者处于"智能区"
若在同一上下文中实现后立即审查，审查者比被审对象更"笨"
四、代码库架构建议
来自 John Ousterhout《软件设计哲学》：
浅层模块 vs 深层模块
实践建议
设计模块接口，委托 AI 实现内部逻辑。
你只需了解模块在特定条件下的行为表现（灰箱思维）
无需深究每一行内部代码
这是在快速推进的同时保持对代码库感知力的最佳方式
⚠️ AI 天然倾向于生成浅层模块，需要明确引导。
工具： /optimize-codebase-architecture 技能，自动扫描代码库，找出可深化为深层模块的候选位置。
五、推式 vs 拉式指令
六、人工介入 vs 离席任务
七、核心书单推荐
💡 作者最重要的建议：去买一堆旧书！
AI 前时代的经典著作用自然语言描述了最佳软件实践，直接作为提示词使用效果极佳。
八、一句话总结
不要把 AI 当成"规格到代码的编译器"，而要把它当成一个需要精心引导、持续对齐、严格质检的协作伙伴——软件工程的基本原理，正是这种引导的核心工具。
如果这篇文章对你有帮助，欢迎点赞、收藏、转发。也欢迎在评论区分享你的经验，我们一起交流学习！
加入社区 与 小遥一起成长 ↓
#独立开发者 #AI编程 #个人开发者 #一人公司 #程序员 #软件开发者 #创业者 #数字游民 #AI创业 #软件工程
