AI Coding 核心概念、工作流与工程化实践指南
AI Coding 并非简单的"让 AI 写代码"，而是一种使用大型语言模型（LLM）为核心驱动力的新型软件编程方式。要求开发者不仅要理解编程语言，更要掌握模型边界感知、上下文工程、认知负载管理等新兴技能。
随着 Claude、GPT-4、Kimi 等模型的能力跃升，我们正从"AI 辅助编码"（Copilot 模式）变成"AI 主导架构，开发人员主导决策"的代理编程（Agentic Coding）。这一转变要求建立全新的工作流、质量控制体系和知识管理方法。
第一部分：核心概念、认知框架
1.1 模型边界感知
AI Coding 的首要原则是清醒认知模型的能力边界。大模型的表现如同蒸米饭加多少水，全凭感觉，而大模型则是基于概率的生成：
能力边界维度：
- 上下文窗口限制：当前主流模型支持 128K-200K tokens，但有效利用长度通常只有 8K-32K（随长度增加，召回率下降），通俗点就是前面很聪明，后面越来越笨，回答问题天南地北。
- 知识截止时间：模型对最新框架、API 变更存在盲区。
- 推理深度：复杂算法推导、多步骤逻辑链容易在中间环节出错。
- 幻觉概率：在陌生领域（如特定企业内部框架）容易生成看似合理但实际错误的代码。
任务拆解策略： 将复杂需求拆解为模型可稳定处理的单元：
❌ 错误："给我写一个电商系统"
✅ 正确：拆解为 [用户认证模块] → [商品数据模型] → [购物车逻辑] → [支付接口对接]
每个子任务应满足：
- 单一职责：一个对话只解决一个具体技术问题。
- 输入完备：提供必要的接口定义、数据示例、约束条件。
- 输出可验证：结果可通过测试用例或类型检查验证。
1.2 上下文工程
比提示词（Prompt）更重要的是上下文（Context）的构建。这是 AI Coding 中最容易被忽视的专业技能。
上下文金字塔：
- 项目级上下文：架构图、技术栈、编码规范、目录结构。
- 任务级上下文：相关代码文件、依赖接口、业务逻辑背景。
- 会话级上下文：当前对话历史、已做出的决策、待解决问题。
最佳方法：
- RAG（检索增强生成）：使用向量数据库存储项目文档，动态检索相关片段注入提示。
- 文件引用规范：使用 XML 标签或特定格式（如
<file path="src/utils.js">）明确标识引用内容。 - 差异最小化：只提供变更相关的上下文，避免无关代码干扰模型注意力。
1.3 提示词工程
从"技巧"到"协议"的转变：
结构化提示模板（SPF）：
角色：你是一位资深后端工程师，专精分布式系统。
任务：重构以下 Python 函数，使其支持异步并发处理。
上下文：当前使用同步阻塞
