上下文工程
研究提示词、检索、工具调用、记忆和任务边界如何组成稳定的智能工作流。
Issue 024
AI Practice / DevEx / Tools
Profile
个人简介
我关注 AI 如何进入真实的软件工程现场：需求澄清、代码生成、自动化验证、知识沉淀、团队协作，以及工具链如何影响技术人员的判断质量。
这里的文章不是概念摘抄，而是把一次次试验、踩坑、评估和复盘整理成可检索的经验。你会看到工具，也会看到工具背后的边界。
Research map
AI 技术方向
四条持续探索的主线，覆盖模型能力、研发效率、工具评价和知识系统。
Agent 工作流
关注多步骤任务中的可观察性、验证闭环和人机协作分工。
开发效率系统
把 AI 编码、自动化脚本、CI 检查和知识沉淀串成可复制的研发节奏。
工具评估框架
记录工具进入日常工作前需要回答的关键问题。
Notes archive
技术文章
怎样设计一条可信的 AI 编码工作流
从任务入口、上下文压缩、测试优先到人工审查，拆解一条适合个人和小团队的 AI 辅助开发流程。
预览：计划不是装饰，验证才是 AI 编码的产品边界。
AI 工具不是越多越好：我的评估清单
用学习成本、失败模式、可解释性和迁移成本四个维度筛选真正值得留下的工具。
预览：工具选择的关键不是能力上限，而是失败时能否收场。
把技术灵感变成工程知识库
介绍一套从即时记录、标签整理到月度复盘的轻量知识流，适合高频接触新技术的人。
预览：灵感只有进入检索系统后，才会变成下一次决策的材料。
Operational playbook
AI 工具使用技巧
好的 AI 使用技巧不是一句神奇提示词，而是一组可复用的约束：任务边界、上下文顺序、验证方式和失败恢复路径。
先写约束，再写需求
要求 AI 修改代码前，先限定文件范围、接口边界、失败情况和验证命令。
把“不确定”显式化
让模型列出需要确认的假设，避免它在缺口处自动补全不存在的上下文。
固定流程，开放判断
文档生成、测试补齐、代码审查适合模板化；架构取舍仍需要人来判断风险。
Lab records
实践案例
把“试试看”推进成“可复盘”的技术案例。
AI 辅助代码审查
为后端服务建立差异扫描、测试建议和风险摘要，把评审焦点从格式转向行为变化。
遗留项目知识抽取
从代码结构、提交历史和接口定义中抽取脉络，生成可维护的技术说明。
个人研发记忆系统
搭建轻量索引，把调研、方案、踩坑和复盘沉淀为可搜索的工程资产。
Toolkit
常用工具栈
偏向轻量、可组合、可验证的日常工作工具。
Newsletter
订阅入口
每月收到 1-2 封 AI 实践札记：工具评估、工作流复盘、技术案例和可复用清单。