如何建立人类与 AI 的协作习惯

1. 建立共同语言

人类与 AI 的协作，本质是在自然语言和代码之间建立双向理解，关键是让双方都能 “读懂” 对方的输出：

• 自动化架构图：用工具生成系统架构图，帮助 AI 快速理解项目的整体结构和模块关系。
• 依赖关系图：明确各模块间的依赖，让 AI 在修改代码时能预判影响范围。
• API 文档：标准化接口规范，让 AI 生成的调用代码更符合预期。
• 编码规范：统一代码风格，让 AI 的输出更贴近人类的编写习惯，降低维护成本。
• 思考模式：引导 AI 在生成代码前先输出思考过程（如伪代码、步骤拆解），让逻辑更透明、更接近人类的思考方式。
• 迭代原则：将复杂需求拆分为小任务，逐步迭代，提升代码的可维护性。

2. 从 0 到 1 的 AI 协作核心原则

• 表达要详细且结构化：虽然 AI 能理解自然语言，但清晰、结构化的指令（如分点说明、提供示例）能显著提升输出质量。
• 上下文要充分：AI 擅长从 0 到 1 的构建，但对已有项目的理解需要足够的上下文，因此要持续投喂项目文档、代码历史和业务背景。
• 反馈要闭环：对 AI 的输出进行审核和修正，并将修正后的结果作为新的上下文反馈回去，让 AI 不断学习和进化。

3. 持续文档化：记录成长的足迹
   在 AI 协同编码中，文档不仅是给人看的，更是给 AI “读” 的，需要更细粒度、更结构化的记录，以帮助 AI 快速理解项目历史和逻辑：

• 决策记录：留存与 AI 协作时的提示词、重要的架构和设计决策，让 AI 理解 “为什么这么做”。
• 代码注释：不仅标记功能，更要解释复杂逻辑的实现原理，为 AI 提供深度上下文。
• 变更日志：追踪功能演进、缺陷修复思路和具体改动，比单纯的 git commit 更具可读性。
• 测试文档：说明测试策略与覆盖范围，让 AI 在生成新代码时能预判测试要求。

4. 设计原则：建立代码的 “宪法”
   这些设计原则是人类在长期编程中总结的经验，对 AI 同样适用，能让 AI 生成的代码更具可维护性和可扩展性：

• SOLID 原则：确保代码的可维护性和可扩展性。
• DRY 原则：避免代码重复，提升复用性。
• KISS 原则：保持简单和直接，降低理解成本。
• YAGNI 原则：拒绝过度设计，聚焦当前需求。

4. 最小粒度验证：小步快跑，构建验证手段
   在 AI 频繁修改代码的场景下，必须建立充分的测试机制，把控评估粒度，确保工程质量可控：
   单元测试：确保每个函数的正确性，应对 AI 更频繁的代码修改。
   集成测试：验证模块间的协作，防止局部修改引发连锁问题。
   端到端测试：确保整体功能的完整性，管理多应用的调用逻辑。
   性能测试：监控系统的运行效率，避免 AI 生成的代码引入性能瓶颈。
   同时给出改动需要自测回归的要点。