肯定的，你让谁去看一个几十万代码的多仓项目，没有业务文档，没有架构设计文档，什么信息都没有，也是一头雾水，能力再强也只能猜着改，测着改，一个字段状态流转都要推半天。所以，怎么让 AI 认识项目，就是个难题了，agent 产品再强，什么 repo wiki ，也最多梳理猜测一个项目仓库的信息，不提供私域知识，写代码就是抽奖。另外我也发现，如果 AI 前置信息越多，AI 其实越愿意写注释，相反，可能还会把原来的注释删了。而且 AI 做错猜错事才是最有价值的，说明信息缺失，你可以教会 AI ，然后自动沉淀到记忆或者知识库里，下次遇到相似的事情，就不会错了。

bro ，这就是痛点，现在也没好办法，等模型变强比现在一堆权宜之计更靠谱，但短时间比较成熟的两种做法，一是先做好知识库之类的，反正就是把文档写好，交接文档那样的，然后做一个任务之前，左移，把要写什么代码讲清楚，这个就很累，项目大了敲小作文时间比写代码还多，没 AI 之前也不见得项目文档写得能有多适合人类看。二是干完活就记录经验，试错反馈，这个就是烦，你得设计好这个反馈环境，然后刚开始做什么任务都出错，得一步步教，好处是下次遇到同类任务，AI 通过环境能知道咋整，不用费心。当然两者结合也行，不过最重要一点还是测试，AI 能知道自己写对了没有才是最好的反馈。但实际上，迭代了多年的老项目，也许根本测不动，或者只能测大流程、只能测代码，测不动业务流程。

用的多的还是 GUI ，只是圈子里接触的 CLI 多，我也不常用 CLI ，Qoder 、Codex 混着用，方便多了，用 CLI 一般也是在 ide 里开个终端，那和大部分 ide agent 侧边栏开个聊天框也大差不差了，cli 还更灵活

低代码不行，但低代码留下来的那套交互、画布和 ai 的工作流结合起来还是有说法的

https://i.imgur.com/Aos54d5.png
现在 0.05x ，便宜，蹬了两天，感觉今天下午开始降智了，昨天和上午，体感上比 glm5.2 强一点

就说是不是相似吧 https://i.imgur.com/agAJ0Rd.png

略微的次痴呆感，一样一样，脑子同时掌握 3 个并行任务就很累了，并行 5 个任务就很烦躁了，有种赛博老蒋的感觉，昏头了还容易给 AI 下错误指令，特别是 AI 做完一个长任务起码 10 分钟后了，都说 vb 不看代码只看结果，但看结果，告诉 AI 产品应该长什么样，也不比写代码简单。我让 AI 每次对话自己维护一个 prd ，自己汇报干了什么之类的，能轻松点。

评论区说前期做好设计，且不说 AI 编程左移到底能不能一开始解决问题。op 的问题是现在已经有个没人看得懂黑盒了，但各种需求和故障层出不穷，并且是个线上运行中的系统，有没有做灰度和 AB 集群切换还不知道，多半也没有 https://i.imgur.com/agAJ0Rd.png 几个月赶工，业务复杂性估计也有，重写成本上也不现实，人力排查也查不动了，大量业务逻辑隐藏在代码里确实痛，从现在开始修吧，实现一个环境，让 AI 能记住错误和问题，记录成文档，把 AI 自测也跑通，然后 24h 跑迭代吧，只能相信 AI 的智慧了，但 op 说的性能问题，指不定改代码也根治不了，看看能不能加机器、分服务先顶住 https://i.imgur.com/agAJ0Rd.png

等 AI 干长任务要好久，想去搞暗黑 4 搬砖之类的 https://i.imgur.com/agAJ0Rd.png 不过上班打游戏还是太离谱了，现在就查查问题，刷刷论坛，看看视频，或者继续安排 AI 干另一个长任务，不过感觉极限也就并发 5 个任务了，多了 AI 倒是能干，但我脑子切换不过来。

我们这 token 用量越来愈多了，最近国内 top 也频繁接触应用侧的三方企业，感觉 ai 应用才刚刚开始起步，7 月份国产模型还有大的，下半年各个企业各方向的 AI 工作流都会端出来的，token 不止拿来做新项目新需求，gpt 号价看不出什么，bug 号天天有，这星期中转 0.03 的价格都有。

话说，Lodex 给这个帖子打几分 https://i.imgur.com/agAJ0Rd.png 要是看不到其它的推广了咋办

本质同一种东西，就是在合适的时候提供合适的提示词，背后也挺复杂的，类比的话，就像系统管内存一样，一看理论也挺朴实无华，一到实现，也麻烦，一到吹牛，内存扩展这种老东西就变成了手机厂商的“超级内存闪存融合”。名词本身，解决吹牛问题 https://i.imgur.com/agAJ0Rd.png 毕竟干了活，总得有个 ppt 什么的吹牛吧，但确实有活。

@brucedone 其实各种 AI 工作流，感觉都是为了建立一个“项目知识库”，区别就是过程，有强调左移的，做项目前先让人和 AI 对齐颗粒度，有古法的，人先写好项目知识文档，我这套更强调 AI 自己学习，减少人的负担，总之知识库建立起来后，项目推进一般没问题，上下文也不是瓶颈了，信息就是一切。

@JasonYip 嗯，AI 毕竟原理也是机器学习，那应用上也让 AI 自己学去，或许可以 24h 跑 AI 去做以前人做过的需求，然后给标准答案，让 AI 自己看做错了什么，该怎么做

现在鸿蒙拿什么写比较多的，还是用那个 arkts 么，以前好像连 npm 生态都不兼容？，貌似还有个仓颉吧。跨端框架那些支持咋样了

我目前的一个实践：
前期：
设计一个能让 AI 记录试错、任务，并能提供信息给 AI 的环境。
中期：
正常使用 ai ，ai 做错了，要指出，并且让 ai 自己记录。对话中有人为指出的“经验”要自动记录。
ai 写的代码，逐行 cr ，脑跑业务逻辑，测试环境验证，遇到问题无论大小都让 ai 改，哪怕只是一个参数传错了，也要在对话框告诉 AI 为什么错，应该怎么做。
后期：
ai 已经认识了大部分项目，养好了，现在你在做“熟悉”的项目和“熟悉”的任务时，可以不需要 cr ，或者只是一目十行大概看看。最后只需要在测试环境验证。

另外，我发现，现在我只需要几句话，就能让 AI 经过 5 次上下文压缩，一次对话完成了一个要修改 3 个仓库、50+文件的复杂任务，即使我的提示词里并没有让 ai 一次完成长任务，可能是 ai 获得了足够多的信息，自己判断了能够一次对话完成。另外最初的提示词我也是自然语言描述 3 个仓库的名字，“参考旧**组件，将近期新的提交迁移到新的**和**组件”，因为之前已经在这三个仓库里做过了很多任务了，所以 AI 自然知道对应的是哪些仓库，本地位置在哪。模型用的 glm5.2

现在还是 cli + skill 最方便
以后模型自己对着各种系统，并发无数个子代理，给一本说明书自己读去，自己试错，点了什么会有什么后果，产生什么反应，所有可能性，全跑一遍，就像人类幼崽刚摸到电脑一样，也是乱按键盘吧 https://i.imgur.com/agAJ0Rd.png

cursor 吧，用不了国外的就 qoder 也还行，至少极致是套皮 opus 好像，codex 配 vsc 也行。国产模型的话，用 glm5.2 / 5.1 ，千问的 3.7max 小的需求、改动明确的任务可以做。