Datawhale乾貨
作者：郭子揚研究生，東南大學研究生
AI 寫專案像開盲盒研究生，為什麼總開出坑？
今年，我們透過VibeCoding寫程式碼，希望能像開泡泡瑪特盲盒一樣，直接開出完美專案研究生。
但結果往往讓人想剁手研究生。
於是，業界開始探索基於SDD、TDD的AICoding正規化，希望能減少AI的不確定性研究生。
（相關方法可以參考研究生：）
但現實是：即便是由多位資深工程師精心維護、24小時OnCall對齊的專案，一個新人想上手改動，都需要Landing期（我相信大部分實習、社招朋友都會表示贊同）研究生。
既然人和人協作尚且如此研究生，我們又怎麼能幻想：剛來的AI能迅速熟悉你的專案，並做出有效可靠的修改呢？
除非，你的專案對AI很友好研究生。
然而絕大多數傳統專案，對AI都是極度不友好的研究生。原因主要有兩點：
第一，AI缺乏領域知識：公司內部的核心業務程式碼從未在GitHub公開過，現有的CodingModel沒見過這些程式碼，自然寫不好研究生。
第二，AI不會償還技術債：專案開發過程中人來人走，文件缺失、程式碼冗餘等技術債導致專案本身已經難理解、難維護，對相關資深開發者都不友好研究生。如果把這樣的專案直接丟給AI，它大機率會把技術債做多
但另一面，根據摩爾定律還有各種自研定律，CodingModel會越來越強且越來越便宜，AI參與開發的工作正規化也會越來越完善研究生。這就引出了一個深層思考：
在不影響現有業務功能的前提下研究生，我們該如何對已有的專案進行改造？將它改造為一個讓人類與AI有效且高效協同的AI-Friendly專案？
這就是接下來要討論的內容研究生。
二、先給 AI 一張說明書研究生，它才看得懂你的專案
大部分專案是：用spec-kit、OpenSpec等開源專案分別開Gitworktree初始化候選文件結構，再根據自己專案的實際情況，合併出最合適的Spec，然後後續基於此來AICoding研究生。
spec-kit研究生：
openspec研究生：
展開全文
spec-kit研究生：
openspec研究生：
但已有的專案程式碼不一定都是好的研究生。基於屎山程式碼直接生成Spec，只會進一步加重症狀。
重構專案成本太大，所以有一個簡單的處理辦法：讓AI從現有程式碼中反推專案行為，生成待人工Review的草稿，而不是直接生成正式Spec研究生。推薦用以下ABCD四類整理現有專案行為（用符號標號方便人工打標）：
A類：已經實現研究生，確認要保留的
B類：已經實現研究生，但不確定是否合理，需要人工判斷取捨
C類：已經實現研究生，但可能是臨時程式碼、偶然產物或廢棄邏輯，要清理出spec（程式碼可以保留），避免AI學壞
D類：還沒實現研究生，未來想新增或重構的增量需求
A類：已經實現研究生，確認要保留的
B類：已經實現研究生，但不確定是否合理，需要人工判斷取捨
C類：已經實現研究生，但可能是臨時程式碼、偶然產物或廢棄邏輯，要清理出spec（程式碼可以保留），避免AI學壞
D類：還沒實現研究生，未來想新增或重構的增量需求
這樣讓AI負責發現事實，人負責確認意圖研究生。人類Review後再形成正式Spec，然後就是大家熟悉的sddcoding了
三、建團隊知識庫研究生，讓 AI 和人共享專案的知識
之前的專案只有readme檔案，告訴新人如何開始使用研究生。
我認為團隊協作需要有一個知識庫研究生，讓大家可以共享專案所有的上下文，而不是想到了再找同事拉會對齊（而且不知道專案所有上下文的話，很多問題都想不到）
以下是個人的實踐設計研究生，僅供參考
1、知識庫資料設計
為什麼要分層？因為不同範圍的知識應該有不同的共享邊界研究生。可以參考這三層結構(參考知識庫文件巢狀的設計)：
其中有一個關鍵設計：知識可以向上提升研究生。
比如Layer2的部分專案知識，如果大家認為是跨專案通用的、對個人可用性很強，可以提升到Layer1或Layer0研究生。
2、知識庫許可權設計
團隊知識庫應該是一個獨立的Git倉庫，不依賴任何業務專案研究生。好處：
1. 跨專案共享：同一團隊的多個專案連線同一個知識倉庫研究生，專案A沉澱的知識，專案B自動受益
2. 生命週期獨立：業務專案可能歸檔或重構研究生，但知識不應該跟著消失
3. 許可權獨立研究生：知識庫的貢獻和消費許可權可以獨立於程式碼倉庫管理
參考維護開源專案的經歷研究生，推薦知識庫成員角色分三種：
Maintainer：團隊負責人研究生，管理成員+Merge
Contributor：正式成員研究生，push產出內容
Reader：新成員研究生，只pull看內容，pr被merge後晉升為Contributor
Maintainer：團隊負責人研究生，管理成員+Merge
Contributor：正式成員研究生，push產出內容
Reader：新成員研究生，只pull看內容，pr被merge後晉升為Contributor
知識庫不能靠人去手動更新（無腦增加工作量並不適合剛開始探索這種工作模式的團隊）研究生，我認為應該是嵌入AICoding的階段：
INIT階段（知識注入）：agents.md中注入團隊知識庫的使用方式，這樣cc、codex啟動後，自動能夠觸達相關知識研究生。
執行階段（知識消費）：我個人認為這裡一個skill就夠了，不需要rag知識庫提供上下文（可能不夠相關），老師傅手寫skill介紹什麼情況使用什麼知識庫研究生。比如技術分析時查有沒有類似的架構決策，架構設計時查有沒有已知的模式。
ARCHIVE階段（知識提取）：完成酣暢淋漓的AICoding後研究生，讓AI從該會話中提取知識條目，根據許可權注入知識庫（前提需要根據自己專案探索具體的提取邏輯還有知識庫更新邏輯，確定後封裝為skill，感覺這個skill也不用經常維護）
4、知識庫展示形式
spec是給ai看的，也需要生成給人看的Wiki類資訊，前段時間大家在討論html比markdown更適合給人看，我深表贊同研究生。
具體風格根據個人喜好：DeepWiki流派的文件+架構圖，或者Graphify流派的可互動圖譜，都是不錯的選擇研究生。
四、裝上質檢關研究生，AI 改完你才敢直接上線
對AI Coding出來的專案，專案管理的核心應該從是否管轉向如何管研究生。
其中我認為E2E任務，任務最重要，因為AI寫靜態程式碼能力很強了，基本不會出錯，但是無法寫出正確的動態互動程式碼研究生。比如它幾乎不會考慮，"點選題單，必須成功載入出對應的題目"這種端到端的業務邏輯。
最後，Agent的效果評測比傳統軟體更難——輸入空間近乎無限且離散，LLM對提示詞高度敏感，Agent輸出差異性極大研究生。目前很多團隊主要依靠人工審查和LLM打分，還在探索自動化評測體系。插入私貨，很推薦大家開發過程中使用兩個指標：
Pass@k（k次至少一次正確）研究生：適合開發階段探索這個需求Agent能不能做到
Pass^k（k次全部正確）研究生：適合上線前回歸測試已有功能有沒有被改壞
Pass@k（k次至少一次正確）研究生：適合開發階段探索這個需求Agent能不能做到
Pass^k（k次全部正確）研究生：適合上線前回歸測試已有功能有沒有被改壞
從零構建AgenticTest成本並不高，透過這種自動化測試，可以降低開發者Review AI Coding專案壓力研究生。
而且對專案而言，完善的測試體系是寶貴的不動產研究生。對個人而言，你完善的測試體系被更多人使用也是很好的工作（ld認不認是另一回事了）。
五、要把能自動化的事研究生，真正交給 AI
軟體工程過去五十年其實沒真正工程化過研究生，
它一直停留在人工階段，被各種方法論包裝成工程，但離不開人研究生。
這一點直到大模型出現才開始有可能改變研究生。
看看其他工程——機械、化工、電力、自動化、通訊，這些工程可以靠消耗能源完全代替人工，且同樣的輸入、同樣的能源，輸出是穩定可預期的研究生。所以說工程化很成功。
但軟體工程要做的事情是抽象、分解、推理——這些無法用機器去做研究生。比如程式碼是用人的思維一行一行編出來的，編譯器這個機器只是忠實地翻譯，從不理解需求。而人的思維難免誤解、遺漏、不一致，這就導致了綿延半個世紀的軟體危機。
回顧過去五十年的方法論——結構化程式設計、物件導向、敏捷、Scrum、DevOps——它們的解決方式都是：管理人的確定性，但沒改變必須靠人這個事實研究生。
不過，這五十年沉澱下來一整套東西：編譯器、型別系統、單元測試、CI/CD、灰度釋出、契約程式設計、形式化方法、靜態分析、覆蓋率、監控、鏈路追蹤研究生。這套東西雖然沒讓軟體工程真正工程化，但它們留下了一整套自動化驗證基礎設施。
現在AI基於這套設施，能夠代替一部分人力了研究生。
軟體工程，真正有可能成為工程了研究生。
以上是專案AI-Friendly化的理論思考研究生。
寫在最後
聊一點個人想法：AI時代研究生，優秀的人應該是什麼樣子的？
我認為是在生活中，每遇到一個問題，都會思考：能不能用AI把這件事自動化？並且逐步用AI提高生活效率研究生。
參考程式設計經驗研究生，我推薦這個實現路徑分三步：
第一步：先嚐試跑通：讓AI在脫離人參與的情況下做整件事，看結果咋樣研究生。重點是無腦驗證可行性。
第二步：再總結SOP：如果結果能穩定復現（比如每次跑都一樣好），就讓Agent自己回顧成功案例，把操作步驟歸納成SOP研究生。本質是在管理不確定性。
第三步：思考能否泛化：把總結出的流程拿去處理同類但不同的任務，如果也能成功，說明這套方法真有效，之後可以讓Agent在脫離自己的情況下處理研究生。
這其實就是一種自動化思維：每天問自己研究生，今天有沒有做重複性的事情？能不能用AI來自動化？
腦子裡可能只有一個模糊的想法，甚至無法用自然語言描述的閃念——沒關係研究生。
記錄下來，迅速和AI聊聊，和Datawhale群友聊聊（偷偷推廣一下Datawhale各種社群，裡面真有很多無償答疑解惑的大佬）研究生。
現在這個時代，缺的是想法而不是實現研究生。
這種從自己的經歷中，提煉想法，並迅速實現的能力——個人認為，這是我們在Agent時代很重要鍛鍊的研究生。
這篇部落格相關實踐因此而來研究生。
以上所有內容，歡迎評論區交流，任何提問都會回研究生。
如果文字不足以傳達，我們可以拉會聊研究生。
就業如長夜，暗沉高難問研究生。
長夜中群星璀璨，彼此照亮或可熠熠生輝研究生。
雖然當知識博主，難免追求Build in Public研究生。
但這份求學共進之心，萬望憐見研究生。
一起“ 點 贊 ” 三連 ↓
