先说几个关键判断。最近用 AI Coding 搞了一个工业级的 KG-RAG 项目，前前后后消耗数亿 Token。一个深刻的体会是：真正让项目翻车的，从来不是 AI 能力不够，而是上下文管理和需求质量这两个环节。

不妨这么想——你现在是一个包工头，手底下有一群极其聪明、手脚也麻利的工人。但问题是，这群人的记忆力只有 7 秒，干活全凭直觉。你一转头，他们可能就给你整出些幺蛾子。如果你直接甩给他们一张大楼的设计图让他们开干，结果大概率是建出一个四不像，中途还能因为忘了图纸，把墙砌到不该砌的地方。

没错，这些工人就是 AI。

为了管好这群“超级工人”，总结下来，一共需要七种武器。

1. 多AI分工合作

项目里的角色分配如下：

• 项目经理和产品经理：由我自己担任，同时搭配 Gemini 3.1 Pro 和 GPT-5。
• 架构师：Claude Opus 4.6 Plan Mode 或 Gemini 3.1 Pro AI Studio，二选一。
• 方案评审委员会：我自己加上 Claude Opus 4.6、Gemini 3.1 Pro、GPT 5.3 Codex 一起上。
• 高级程序员：Codex 5.3 ExtraHigh。
• 普通程序员：Claude Sonnet 4.6、Gemini 3 Flash、GLM 4.7。
• UI/UX 设计师：Gemini 3.1 Pro。
• 测试工程师：GLM 4.7、DeepSeek V3.2 和我自己共同担任。
• DevOps 工程师：我和 Gemini 3.1 Pro 两人分担。

在 AI Coding 时代，人的角色已经彻底变了。以前得一行行搬砖写代码，现在 AI 是什么都会的全栈牛马，而人变成了那个统筹全局的包工头。

2. 先对审，再执行

传统开发模式——写代码、跑起来、报错、改代码——放到 AI 时代，代价非常高。不仅浪费 Token，更浪费时间，而且极其容易陷入死循环出不来。

所以，把反复修改的循环前移，移到纯文本阶段。关键原则是：不要让 AI 上来就写代码。

具体怎么做？让最强的一个 AI 先写一份施工方案，然后换其他 AI 去当质检员，专门找这个方案的茬。几个 AI 互相抬杠、来回修改，等方案打磨到完美无缺，再照着写代码。这就好比建房子之前，先让设计师和施工单位在图纸上把问题吵明白，确定没问题了再让工人去绑钢筋。

用这个方法之后，代码几乎都能一次性通过，后期 Debug 的工作量减少了至少 90%。

3. 分形文档与强制同构

文档和代码是同一事物的两面，必须保持实时一致。

具体来说，采用分形设计：

• L1 根目录：全局地图，涵盖项目架构、技术栈等。
• L2 模块级：包含成员清单、接口说明等。
• L3 文件级：记录头部声明的依赖（[IN]）、职责（[POS]）和输出（[OUT]）。

同时推行强制回环检查：每次代码变更后，必须强制检查文件头依赖是否正确、模块清单是否需要更新。任务结束时自动更新全局地图。这样一来，AI 从任意文件进入，只需读取三层（L1-L3）即可获取完整上下文。

这么做是因为 AI 本质上是个“路痴”。它每次干活前，必须先看说明书了解背景——也就是上下文。如果代码改了，说明书没改，AI 就会拿着旧地图去找新路，不仅找不到，还会一本正经地瞎编。

所以，要给整个项目准备三本说明书：

• 第一本：全国地图（整体架构）
• 第二本：省份地图（模块说明）
• 第三本：街道地图（单个文件说明）

而且规定，代码只要改了一行，地图必须立刻跟着改。就像导航软件不仅要有完整的地图，哪里修路了、哪里封校了，必须立刻在地图上标出来，否则司机会把车开进沟里去。

4. Hook 自动拦截

AI 没有记忆力，但 Hook 有。与其在 System Prompt 里反复写“不要做”，不如直接在代码里设个钩子，让它“不能做”。你用嘴劝它一万次，不如在工程上直接设个卡子拦它一次。它被拦截报错之后，自己就会乖乖改好。

这就好比在草坪上插个牌子写“禁止踩踏”，总有人会无视；但如果你直接建一堵两米高的铁丝网，它就绝对进不去了。

5. Plan 文件持久化

文件系统是唯一可靠的状态源。

使用 Claude Code 时，可以修改配置，将 Plan Directory 指向项目内部文件夹。在 Plan 中加入 Checklist，完成一项回写一项。

因为 AI 的对话窗口非常脆弱。如果你和 AI 聊了很长时间，或者突然断网，AI 的脑子就清零了。但如果你把进度写成了实体文件，下次重新打开，AI 只要读一下文件：“哦，原来前三步做完了，我现在该做第四步了”，马上就能接着干。

好记性不如烂笔头。去超市采购时把购物清单写在纸上揣兜里，就算中间接了电话分心，拿出纸条一看就知道接下来该买什么。

6. 质量红线必须量化

AI 对文字理解模糊，但对数字执行很稳定。人类的审美必须降维成 AI 可判定的数字。

总结下来，这些硬性指标很实用：

• 一般模型单文件不超过 400 行（比如 GLM 4.7、DeepSeek V3.2）
• 顶级模型单文件不超过 800 行（比如 Claude Opus 4.6、Gemini 3.1 Pro）
• 单函数不超过 30 行
• 嵌套层级不超过 3 层
• 分支数量不超过 3 个

永远不要对 AI 说“代码要写得简洁一点、函数尽量短一点”。你得对它说：“一个文件绝对不能超过 800 行，一个函数绝对不能超过 30 行。”AI 不懂什么叫简洁、什么叫好看，这些是人类审美，对它来说太模糊了。你给它定死的数字指标，它执行起来非常稳。

打个比方，你对司机说“开慢点，注意安全”，每个人对慢的理解不一样；但如果你在路边立个牌子限速 60，他就知道不能超速了。

7. 渐进式上下文加载

信息过载和信息不足一样有害。要像设计数据库索引一样设计 AI 的检索路径。

虽然现在 AI 能一次性阅读几十万字，但千万不要每次提问都把整个项目的代码全扔给它。修大门的锁，就只给它看大门的图纸。信息太多和信息太少一样有害，你把整个项目的代码扔给它，它会在海量信息里迷失，浪费计算资源不说，还容易被其他不相关的代码干扰思路。

改 Bug 只加载目标模块的文档，做架构决策时才加载全局地图。这就好比考试范围是第一章，你就让学生只复习第一章；如果你把大学四年的书全堆在桌上让他找答案，他反而考不及格。