《AI工具使用心得，觉得较好的方式方法》

一、核心原则：优化提示词，明确任务边界

现象：若需频繁微调模型修改代码，通常意味着提示词不够精准，未清晰界定「该做什么」与「不该做什么」。

优化策略：

1. 先计划再执行，善用规划指令

• 操作：严格遵循「先计划 → 后确认 → 再执行」的两阶段流程。在提出需求时（如“某页面列表新增某字段”），若所用 AI 工具支持，应优先使用 /plan 命令（否则通过提示词明确要求“仅输出计划”）转化为专业领域修改计划。可根据任务复杂度动态调整计划的精细度，最高可精确到具体的文件、函数或字段。待人工审核确认计划无误后，再下达指令执行实际变更。
• 原理：多数 AI 编程工具内置的 /plan 模式或通用任务规划流程，旨在将模糊需求转化为结构化的执行蓝图。若跳过计划直接执行，AI 往往只能基于项目规范生成笼统步骤，难以精准定位专业领域的具体代码改动，极易导致越界修改或遗漏关键逻辑。通过“先计划”锁定变更范围，不仅能避免无效的代码上下文重复解析（扫描与规划阶段的 token 成本远低于反复返工），还能将用户的核查重心从“逐行审查代码”前置为“快速校验变更清单”，大幅提升交付的一次性准确率与协作效率。

2. 反向约束，规避误操作

• 操作：涉及宽泛内容修改（如重命名字段 name → username）时，必须添加反向提示词（如「不要更改同名的其他无关功能」，即便已限定类名）。需明确「禁止性约束」，弥补工具或者模型默认的「最小改动原则」（即倾向用最少token完成任务）。
• 原理：模型执行时优先选择高信息密度路径，若无反向约束，可能误判任务范围，导致非目标修改。

---

三、长期协作：引导AI工具自主迭代，沉淀有效记忆（养AI助手/养龙虾）

核心理念：将AI工具视为「可成长的助手」，通过引导其参与微调过程积累有效记忆。

1. 主动让渡调整权

• 操作：无论微调内容多简单，均要求AI工具执行（而非手动修改）。例如，模型生成复杂任务结果后，即使人工修改更快，也应通过提示词引导AI工具完成最终修正。
• 原理：AI工具记忆迭代依赖于用户的「纠错反馈」。仅当AI工具主动调整时，其才能捕捉任务细节中的关键约束，形成长期有效的技能沉淀。
• 备注：部分工具无法像 Hermes Agent 那样具备自迭代能力，需要通过用户对话提示关键词介入才能迭代到记忆或技能（Skill）。

---

二、注意力管理：聚焦单任务，精简上下文

1. 单次任务处理原则

• 操作：采用「单次任务-单次会话」模式，即完成一个功能后刷新/重启会话，或明确指示AI按顺序处理单一任务。
• 原理：避免上下文窗口过载导致的约束精度衰减。模型在自动压缩会话历史时，可能丢失关键限制条件，需通过物理隔离确保任务独立性。

2. 技能体系细粒度拆分

• 操作：在任务完成后，要求AI工具检查相关技能（Skill）的规范性，评估是否需要拆分。例如，将同项目Skill下细分功能「文章」与「商品」分解为独立Skill。
• 建议：建立领域专属的记忆/技能库迭代规范Skill，让AI工具根据此规范Skill迭代内容，避免不同模型或思考等级产生的迭代内容混杂（如中英文混用、冗余表述）。加载逻辑应匹配任务领域，仅加载相关Skill（而非全局项目Skill），减少无关信息干扰。
• 原理：当前AI工具通常不会轻易自动生成新的Skill。在实际场景中纠错代码只是针对某功能的一个关注点，在仅有单一项目级Skill的情况下，AI极易将各个细分功能的迭代内容全部堆砌至该项目级Skill中。这会导致后续执行特定任务时，被迫加载大量无关功能的冗余上下文，从而增加模型注意力分散的风险与不必要的token消耗。

---

四、团队协作：聚焦增量变更，精准对接同事

核心理念：在跨角色协作中，对接人员最关心的是「差异」而非「全貌」，沟通文档应遵循「最小必要信息」原则。

1. 按角色生成增量变更说明

• 操作：任务完成后，要求AI根据对接同事负责的具体领域（如前端、后端、测试等），定向生成其所需的变更内容。明确指示AI只写“改变了什么”，严禁输出冗余的完整规范文档。例如，接口调整时只需说明「已有接口 /api/user 返回新增 xxx 字段」，而不是列出该接口调整后的完整出入参结构。
• 原理：输出全量规范不仅会产生大量冗余信息，增加对接人员的阅读和比对成本，而且失去了AI辅助总结的意义（若需全量数据，直接让AI访问在线接口文档数据即可，如 Swagger/Apifox）。专注输出增量变更（Delta）规范，能直击协作痛点，最大化降低沟通成本，提升团队协同效率。