- 博客(498)
- 收藏
- 关注
RSS订阅原创 为什么AI写不出无错代码？
摘要： AI无法一次性生成完全无Bug的代码，因其本质是概率性文本接龙，缺乏逻辑推演和工程意识。代码错误可分为语法、逻辑、边界/工程、安全/业务四类，AI仅在语法层面表现稳定，复杂场景易出错。根本原因包括无全局校验、训练数据缺陷、无法捕捉隐性需求及忽略工程落地。实现低错误率需结合人工审核与测试闭环，如测试驱动开发、AI智能体循环修正。AI应视为高效辅助工具，而非全自动解决方案，生产环境代码必须经过人工校验和安全审查。（150字）
2026-06-20 06:57:34
246
原创 需求往前看，缺陷往后看
本文探讨了软件开发中"往前看"（需求探索与技术预研）和"往后看"（缺陷复盘与经验总结）两个关键视角的有机统一。通过RAG知识库平台项目的实践案例，展示了需求探索如何避免返工（如多后端支持的设计），技术预研如何降低风险。同时详细分析了三个典型缺陷案例（索引卡死、PageIndex崩溃、LLM重试失效）的根因与预防措施，提出了测试设计规范和复盘checklist，强调将经验教训体系化为持续改进的流程。文章指出，只有将前瞻性探索与反思性复盘相结合，才能实现高质量的软件开发。
2026-06-19 07:54:26
324
原创 AI自动化测试越完备，程序调试速度越快
本文探讨了自动化测试如何显著提升程序调试效率。通过对比传统调试模式与测试驱动调试的优势，结合RAG知识库平台的实际案例，展示了完备测试体系如何将修复时间从数小时缩短至几分钟。文章提出了测试金字塔原则、覆盖检查清单和工具链建议，并分享了测试驱动开发的最佳实践。数据显示，当测试覆盖率达到95%以上时，调试时间可减少97.9%。结论指出，构建多层次的自动化测试体系不仅能快速定位问题、防止回归，还能提升代码质量和团队协作效率，是最有效的开发效率提升方式之一。
2026-06-18 23:06:36
329
原创 Vibe Coding实战（番外篇）：AI需求分析师是如何澄清需求的
本文展示了AI需求分析师如何通过对话逐步澄清一个文件检索软件的需求。用户最初提出"帮助健忘者查找文档"的模糊需求，经过AI引导的12轮问答后，明确了以下核心功能：支持部分文件名模糊匹配、按文件类型/时间筛选、显示文件详情、分页展示结果；系统特点包括本地运行、跨平台支持、自动索引更新；最终命名为"超级快速检索小能手"，采用简洁风格。这个案例完整呈现了从原始需求到细化功能点的分析过程，体现了AI在需求工程中的结构化提问能力。
2026-06-16 07:14:23
185
原创 Vibe Coding实战（下篇）：AI 需求分析师 ， 让需求收集变得智能、高效且完整
【摘要】AI需求分析师是一款基于大语言模型的智能需求分析工具，通过结构化对话引导用户完善需求。其核心功能包括：1）采用12元素体系（如系统愿景、业务流程等）进行专业引导；2）内置CLOUD需求拆分和VIST+AED校验方法论；3）实时可视化展示需求进度；4）支持多会话管理及一键导出Markdown文档。相比传统方式，该工具可将需求收集时间从数天缩短至30分钟，自动识别矛盾点，降低对专业人员的依赖，适用于产品经理、创业者等需快速转化模糊想法为可执行方案的场景，实现需求分析的智能化与高效化。（150字）
2026-06-15 23:04:51
197
原创 Vibe Coding 实战（中篇）：设计、编码与调试阶段总结
本文详细记录了「AI需求分析师」软件的开发全过程，重点展现了人机协作的开发模式。文章分为架构设计、代码实现、调试优化和交付准备四个阶段：1. 架构设计阶段采用双面板布局，实现展示层与逻辑层分离，制定了分层状态管理策略和核心数据流；2. 代码实现阶段遵循TDD原则，编写300+测试用例，通过集成测试发现接口问题，并在重构中优化代码质量；3. 调试阶段系统化解决了Hydration错误、Markdown渲染等典型问题；4. 交付前完成功能验证和性能优化。全文展示了AI在代码实现、问题排查方面的价值，以及人类在需
2026-06-15 22:31:55
313
原创 Vibe Coding 实战（上篇）：需求探索、描述与技术预研
本文通过一个完整案例阐述了Vibecoding（AI协作编程）的核心方法论。作者展示了从模糊想法到可交付技术方案的五阶段流程：1）需求探索-逐步注入领域知识；2）需求确定-转化为结构化Spec；3）技术预研-实验替代猜测；4）复用构件提取；5）外部验证。提出六条核心原则：增量知识注入、Spec先行、预研验证、即时沉淀等，强调人类负责方法论与决策，AI负责技术实现与验证。案例最终产出包括设计文档、复用模块、单元测试等资产，证明Vibecoding能通过AI将开发效率提升10倍，本质是让AI成为技术合伙人而非代
2026-06-15 11:00:43
402
原创 人类编程爱敏捷，AI编程爱CMMI
文章摘要： 敏捷开发与CMMI的争议本质源于执行主体的差异：人类开发者天性偏好敏捷的灵活与高效，因其创造力受CMMI繁琐流程束缚；而AI开发者则天然适配CMMI的标准化、可追溯性，能无抵触地执行刚性规范。AI弥补了人工落地CMMI的缺陷（如流程造假、文档冗余），使其真正发挥工程价值；CMMI也为AI编码提供了企业级合规框架。未来研发模式将走向人机协同——人类以敏捷主导创新决策，AI以CMMI保障标准化执行，二者互补而非对立，重构软件开发的效率与质量平衡。
2026-06-14 09:20:04
248
原创 让AI帮我们写工作日志
本文介绍了一个由AI自动生成结构化工作日志的解决方案。该方案通过分析用户与AI的对话记录，自动整理出包含六个部分的工作日志：1）AI完成的具体任务；2）AI的正确决策；3）AI的失误；4）改进方向；5）应避免的做法；6）对用户的协作建议。日志系统会在用户提及"工作日志"等关键词时触发，要求内容客观详实，包含具体案例和技术细节。文章还提供了一个完整的日志示例，展示了一个包含HTML转PDF工具开发和Excel宏bug修复的项目日志，详细记录了问题分析过程、解决方案和从中获得的经验教训。
2026-06-12 22:33:26
220
原创 第7个字符的陷阱：应对隐性契约、硬编码的血泪史
文章摘要：作者在自动化填写CMMI评估表格时遇到一个诡异Bug：程序自动填写"目标等级"后，其他单元格显示错误字符"t"，而手工操作正常。经过6轮调试，发现根源在于B27单元格的隐式格式要求——其第7位必须是数字等级，而程序写入的"MaturityLevel5"格式不符合公式=MID(B27,7,1)的约定。教训包括：Excel存在隐式契约、字符串位置依赖是隐患、调试需要透视工具（如openpyxl），以及程序语义与人类理解的差异。最终通过建立格式
2026-06-12 07:19:52
231
原创 五维度测试用例设计，实现测试全覆盖
本文提出了一套标准化的五维度测试用例分类体系，解决传统用例设计中分类模糊、场景重叠、遗漏隐性缺陷等问题。体系包含：合法性（正向/反向用例）、等价类（有效/无效类）、边界值（临界极值）、测试范围（局部/全局）和风险猜错（极端场景）五个独立维度。通过明确各维度职责（如合法性仅判断合规性，边界值专注极值校验），实现用例设计的逻辑自洽和全域覆盖。文章详细阐述了各维度定义、设计方法和组合应用，并提供标准化模板、设计顺序及评审检查点，使测试用例设计从经验驱动转为系统化工程，最终实现用例无冗余、无遗漏的精准覆盖。
2026-06-08 13:00:04
364
原创 AI不是软件工程的银弹，只是最强辅助子弹
AI并非软件工程的"银弹"：从历史轮回看技术本质 摘要： 文章回顾了软件工程领域对"银弹"技术的持续追求，指出从面向对象到低代码平台，每次技术革新都未能彻底解决软件开发的本质难题。虽然AI在代码生成、测试编写等方面显著提升了效率，但仍无法攻克软件工程的核心挑战：理解模糊业务需求、进行架构权衡决策、验证业务逻辑正确性、承担最终责任以及处理人际协作问题。作者认为AI是历史上最强的研发辅助工具，能大幅降低偶然复杂度，但无法消除根植于业务本质的复杂度。文章呼吁开发者既要充分利
2026-06-06 06:32:02
558
原创 AI能做而人做不到的五件事：让软件工程的理想主义照进现实
摘要： AI正在改变软件工程中那些"理想但难以坚持"的实践。传统上，人类因短视、认知负荷和繁琐性难以严格执行文档同步、需求追踪、设计先行、测试驱动和质量门禁等规范。而AI凭借无疲劳、高一致性和自动化能力，能够实时同步代码与文档、动态维护需求矩阵、生成可验证的设计蓝图、自动完成TDD循环，并刚性执行质量门禁。AI的加入使这些延迟满足的工程实践从"理论正确"变为"默认流程"，弥补了人类在纪律性上的生物局限，推动软件工程向更严谨的方向进化。
2026-06-05 19:12:48
642
原创 小步重构：从 Flash 提示到 Toast 组件的演进
文章摘要：本文分享了将项目中多个页面的提示信息从Flash迁移到统一Toast组件的实践经验。通过小步重构策略，团队先创建公共组件，再逐个页面迁移，过程中发现并修复了额外问题。小步重构的优势在于风险可控、即时反馈、允许并行开发，且更容易获得团队支持。相比之下，大规模重构存在风险高、易半途而废等问题。作者总结出小步重构应遵循目标明确、每次只改一点、立即测试等原则，强调重构应是持续改进的演化过程而非一蹴而就的革命。
2026-06-03 08:08:11
262
原创 如何让AI生成正确、优美而无坏味道的代码？
本文探讨了如何系统性地提升AI生成代码质量的三个层次：正确性（匹配需求）、无坏味道（编码规范）和优美性（设计模式）。首先通过测试驱动开发和类型约束确保基础正确性；其次利用自动化检测和重构消除代码坏味道；最后通过设计决策（模式推荐、扩展点预测、SOLID原则）实现优雅架构。文章提出了三层融合的工作流：先设计、再实现、最后优化，并指出下一代AI编程工具需要具备意图识别和设计推理能力。这三个层次构成金字塔式的质量标准，为开发者与AI协作提供了系统性的质量提升路径。
2026-06-02 22:34:55
189
原创 如何让 AI 实现软件复用？
本文提出软件复用的两个层次：源码级复用（直接调用封装好的组件）和设计级复用（复用成熟的设计模式和业务流程）。针对传统复用方式存在知识分散、难检索等问题，文章通过一个Python Flask项目案例，展示了如何利用AI技术实现双重复用：建立包含源码构件和设计方案的统一资产清单，改造AI工作流程使其能自动推荐、校验两种复用模式，并通过开发前推荐、开发中提取、修复时检查、评审时验证形成闭环机制。实践表明，该方法能有效消除重复代码、统一处理逻辑，提升开发效率和质量。
2026-06-02 18:05:23
230
原创 白话Skills之七：编写AI Skill的原则
本文总结了16条AI技能（Skill）设计原则，分为六大核心维度：1. 简约设计（单一职责、最小可用）；2.接口稳定（向后兼容、版本控制）；3.质量保障（用例先行、严格校验）；4.执行优化（责任分离、逻辑解耦）；5.精准调用（明确触发条件与使用边界）；6.输出约束（格式标准化、杜绝幻觉）。最终提炼出优质AI技能的四大特征：严格规则、清晰流程、固定格式和持续迭代，强调工程化规范而非Prompt技巧，为开发稳定、可维护、易扩展的AI能力提供系统方法论。
2026-06-01 21:52:24
237
原创 白话skills之五：七步成诗，开发 Skills 的 PROCESS
本文介绍了编写Skill的PROCESS七步框架：1）Plan明确目标；2）Requirements定义输入；3）Operations拆解步骤；4）Capabilities确定工具权限；5）Evaluation制定验收标准；6）Script编写YAML文件；7）Sanity测试调试。该框架将Skill编写过程标准化，从简单任务入手，强调边界定义和稳定性测试，帮助开发者逐步掌握让AI协作完成任务的技能。随着熟练度提升，Skill编写会变得像写Prompt一样自然。
2026-06-01 07:43:58
414
原创 白话skills之四：何时需要定义为 Skill？
本文提出了判断何时使用Skill而非Prompt的RISD框架。该框架包含四个关键标准：重复性（Repeatability）、信息可得性（Information）、步骤稳定性（Stability）和任务可拆分性（Divisibility）。只有当任务满足这四个条件时，才值得投入时间创建Skill。文章通过多个案例（如每日站会纪要、代码审查等）展示如何应用该框架进行决策，强调Skill适合重复性、流程固定的自动化任务，而简单或非重复性任务使用Prompt即可。RISD框架能有效避免过度工程化，帮助用户合理分配
2026-05-31 08:08:30
220
原创 白话skills之三：Skills与程序的区别
程序与Skill的核心区别在于：程序是精确指令（怎么做），Skill是目标导向（做什么）。程序严格按代码执行，Skill则基于AI理解自主补全。程序可控但局限，Skill灵活但需约束。两者并非替代关系，而是互补协作——程序处理确定性任务，Skill应对模糊需求。开发者需从"精确编码"转向"意图描述+边界设定"的思维，通过明确禁止清单来平衡AI的智能与可控性。这标志着从程序员到AI编排师的范式转变。
2026-05-30 21:23:42
328
原创 白话skills之二：Prompt和Skills的区别是什么？
摘要：本文阐释了Prompt与Skill的本质区别及其适用场景。Prompt是临时性指令（如对实习生的口头指导），需重复输入且效果不稳定；Skill则是标准化工作流（如正式员工的SOP），包含多步骤操作、外部交互和错误处理机制，可永久复用。关键差异在于：Prompt适用于简单一次性任务（创意/探索），而Skill更适合重复性、多步骤、需协作的复杂任务（RISD框架判断）。当同一Prompt使用超过3次或需团队共享时，就应升级为Skill。Skill通过结构化工作流（指令+动作+规则）实现从"临时工
2026-05-30 21:15:59
427
原创 白话Skills之一：什么是 Skills？
本文定义了AI领域的"Skill"概念：它是一套结构化指令集，用于指导Agent和LLM完成特定任务。与零散的Prompt不同，Skill如同作业说明书，包含完整操作流程（如站会纪要整理案例所示）。典型Skill包含四个核心部分：元数据、输入定义、工作流步骤（区分Agent和LLM分工）和约束条件，通常以YAML等结构化格式呈现。通过将重复性工作流程固化为Skill，可避免反复输入指令，提高AI任务执行的效率和一致性。该概念类比企业SOP，能实现知识沉淀和流程复用。
2026-05-30 21:05:50
201
原创 AI编程更应工程化，AI编程更能工程化
《AI时代软件工程化的范式变革：从人性困境到机器执行力》摘要： 20年过程改进咨询师揭示：传统软件工程化的核心障碍并非技术，而是人性的三重困境——疲劳、妥协与抵触。AI的出现颠覆了这一局面：1）AI放大不规范代价，倒逼精确规范；2）强制隐性知识显性化；3）突破人类执行力的局限。新型分工模型确立：人类专注价值判断与规则定义，AI负责24/7无偏差执行。这催生出包含可执行Spec、分层验证、Rules/Specs分离等要素的新工程规范，使"严格遵循规范"首次成为可能。这场变革本质是开发范式的
2026-05-30 07:40:02
349
原创 全变更蒸馏：让AI编程成为一个可进化的系统
文章摘要：本文提出了一种超越传统Bug修复的软件开发方法，倡导通过"全变更管理"实现持续进化。作者构建了一个四层反思框架：1)变更归零（记录技术/管理原因）；2)四环节改进（需求/设计/编码/测试优化）；3)模式提炼（聚类相似变更）；4)原则蒸馏（形成可复用的开发准则）。该框架通过结构化记录每次变更（含非Bug变更），借助AI从历史经验中提取模式，最终形成可指导未来决策的元原则。实践表明，持续应用该方法能显著降低变更成本，建立人机协同的"变更语言"，使AI从代码生成器
2026-05-29 22:40:44
375
原创 三轮自动代码评审，质量持续收敛
本文复盘了一个智能文档评审工具的Bug修复与质量提升过程。项目采用前后端分离架构，在修复Word预览失败等表面Bug时，发现深层架构问题——文档解析应迁移至前端。通过三轮"后置四区评审"（聚焦变更单元的四个维度），团队逐步解决严重问题：首轮发现公共模块缺失、CDN无降级等3个严重缺陷；次轮修复后仍暴露null处理等新问题；第三轮最终收敛到零缺陷。核心启示包括：1）多轮评审才能层层深入；2）修复常会引入次生问题；3）结构化评审方法比工具更重要。实践表明，迭代式评审能有效消除盲区，建议采用&
2026-05-29 07:13:55
401
原创 Harness 成熟度模型（HMM）
本文提出了Harness成熟度模型(HMM)，用于评估和改进人机协作开发体系的成熟度。模型分为5个等级：L1初始级(零散个人习惯)、L2可管理级(项目级规则)、L3已定义级(组织级标准)、L4量化管理级(数据驱动优化)、L5优化级(AI自驱动演进)。每个等级详细说明了典型特征、核心能力和升级路径，并提供了自评问卷和具体行动指南。该模型帮助团队系统化管理人机协作过程，从无序到有序，最终实现AI辅助的持续优化。
2026-05-28 06:37:47
432
原创 从OSSP 到Harness：AI 时代的软件过程演进之路
本文提出OSSP-PDP-Harness三级管理体系，解决AI时代软件研发流程管理难题。OSSP作为组织级标准流程，统一研发规范；PDP实现项目级柔性适配，平衡标准化与灵活性；Harness将人工规范转化为AI可执行规则，实现可控人机协同。该体系通过组织定标、项目裁剪、规则转化、人机协同四步闭环，融合PDCA持续改进机制，既保障研发质量与合规性，又充分发挥AI效率优势。未来将向智能化裁剪、自适应规则、知识图谱化等方向演进，为AI时代软件研发提供标准化、可落地的过程管理解决方案。
2026-05-27 21:00:59
351
原创 防止局部代码变更腐蚀全局最优的CMMI实践指南
《代码变更防腐指南》摘要：本指南基于CMMI体系，结合人机协同模式，规范代码变更全流程管控。核心要求所有变更（人工/AI生成）必须遵循全局优先、最小变更等五大原则，防止局部修改破坏架构质量。通过PLAN、TS+PI等五大实践域建立三维防腐机制，利用AI自动校验变更合规性，设置质量门禁拦截腐化代码。配套分级管控红线与持续改进机制，将典型问题沉淀为组织资产，实现从预防到治理的全流程闭环管控，保障系统长期可维护性。（149字）
2026-05-26 12:43:43
381
原创 当 Harness 遇上 CMMI
AI工程与CMMI的融合：从工具到角色的管理范式转变 随着AI从一次性工具转变为持续参与生产的智能体，其管理需求发生了本质变化。本文提出将CMMI（能力成熟度模型集成）框架应用于AI管理，建立结构化管控体系：1）通过Skill目标定义实现需求管理；2）用版本控制和配置管理规范Prompt/Skill迭代；3）建立输出验证机制和性能基线。这种融合解决了AI规模化应用中的关键挑战——当AI具备记忆能力、工具调用和多轮协作特征时，传统工程方法已无法满足可靠性要求。CMMI的过程纪律为AI提供了可预期、可追溯、可改
2026-05-26 07:28:58
530
原创 软件开发中的三次法则
摘要："事不过三"原则强调第三次重复是优化改进的关键节点。在软件开发或AI工程中，当同一问题、错误或操作第三次出现时，应当立即采取重构、自动化、流程优化等措施。这包括代码重构、自动化测试、文档补充、流程改进等具体行动。该原则能有效预防技术债务积累，减少重复劳动，提升团队效率和质量，实现从被动应对到主动治理的转变。通过把握第三次重复的时机进行系统性优化，可以显著提高研发效能。
2026-05-24 18:30:08
82
原创 用CMMI CAR 实践域指导AI进行缺陷修复
本文提出Bug-Fixer缺陷修复AI技能，将CMMI CAR实践域引入AI编程场景，实现标准化缺陷治理。该技能通过四级缺陷分级、双线归零分析等机制，构建全流程强制化修复闭环，解决传统AI修复随意化问题。创新性地验证了CMMI体系不仅适用于人类研发流程规范，更能指导AI技能标准化定义。实践表明，该方法实现了AI修复行为可审计、经验可沉淀，为智能化研发的合规化治理提供了新思路。
2026-05-24 15:22:16
448
原创 AI Skill与传统程序的本质差异
本文探讨了AISkill与传统程序的本质差异。传统程序采用"固定数据结构+固定算法逻辑"的刚性模式，确保结果确定性但缺乏灵活性；而AISkill基于"可变数据结构+动态算法逻辑"的柔性机制，能自适应处理非标数据但存在概率偏差。二者的核心区别在于数据与处理逻辑的固定性：传统程序适合高精度、高并发的确定性场景，AISkill则擅长处理模糊复杂的非标需求。最终结论指出，智能化落地应实现"刚性程序守底盘，柔性AISkill拓场景"的互补共生，而非相互替代。
2026-05-24 09:04:28
386
原创 写个缺陷修复的skill，提高AI的缺陷修复效率
本文介绍了一个规范化的Bug修复流程Skill，旨在提高AI辅助开发时的缺陷修复效率。该流程包含9个关键步骤：1)优先级评估；2)故障定位（确定模块、层面、编写复现测试）；3)识别根本原因（区分出错点和深层原因）；4)用户确认分析结果；5)修复影响分析；6)方案设计（提供两种方案）；7)方案评审；8)虚拟修改；9)单元测试和全局扫描。特别强调必须同时修复表面错误(A)和根本原因(B)，并要求记录经验总结到项目文档。该流程通过结构化分析和双重修复机制，可有效减少反复沟通时间，提高修复质量。
2026-05-23 22:34:08
441
原创 AI开发四大核心原则
AI编码工具虽能高效生成代码片段，但在复杂系统开发中常面临逻辑偏差、架构混乱等问题。本文提出四大核心原则：1）完备规划锁定模块边界；2）分级MVP将系统拆解为最小可测单元；3）增量实现以小步快跑方式开发；4）局部修改避免全局重构。这套方法论通过标准化开发流程，将AI的编码优势转化为工程实践，强调"做加法而非改存量"的开发理念，有效解决AI开发中常见的迭代失控、错误传播等问题，实现从试错编码到规范落地的转变。核心在于用结构化方法约束AI生成，保持项目稳定性和可维护性。
2026-05-23 15:09:49
367
原创 与AI协同的原则：降低模糊性就是降低返工成本
摘要： AI协作低效的核心在于沟通模糊性，而非工具本身。模糊指令导致AI输出偏差，引发反复修改与返工。高效协作的关键是“去模糊化”，通过量化目标、标准与边界，将隐性需求转化为明确指令。具体方法包括：量化角色定位、任务目标、篇幅格式、内容边界、应用场景、逻辑层级及验收标准。遵循1:10定律——前期1分钟明确需求，可节省10倍返工时间。摒弃主观描述，用数字与规则替代模糊表达，实现“指令清晰、输出精准、到手可用”的高效闭环。
2026-05-23 10:52:23
433
原创 把不确定性交给AI，把确定性交给代码
摘要：本文探讨了软件开发中处理非结构化数据的平衡之道，提出"AI处理不确定性，代码处理确定性"的智能系统设计原则。通过三个案例（智能报告生成、多格式报告对比、动态度量规则适配）展示了如何让LLM负责理解模糊输入并结构化输出，而由代码执行固定校验和标准化处理。这种分工既避免了传统硬编码的臃肿维护问题，又克服了纯AI方案的不稳定缺陷，实现了灵活性与稳定性的统一。核心价值在于构建可维护、可迭代的智能系统，其中AI专注语义理解，代码确保精准执行，二者边界清晰又协同增效。
2026-05-22 08:52:43
356
原创 如何落地“单一职责原则”？
摘要： 本文探讨面向对象设计中的单一职责原则（SRP）在AI技能（Skill）开发中的实际应用。通过“五个单一”（目的、触发、输入、输出、变化）标准，提出“动词+名词”组合法作为核心判定工具：一个Skill应仅完成一个逻辑连贯的任务（如“生成PRD”）。Skill可分原子层（小职责）和组合层（大职责），后者可通过调用小Skill实现复杂功能，但需封装独立业务逻辑。文章对比正反案例，指出常见陷阱（如过度拆分或机械编排），并给出三步判定流程，强调Skill设计应像乐高积木一样精准分层，确保职责清晰且实用。
2026-05-18 10:05:15
329
原创 LLM调用返回值的解析策略
《大模型JSON解析的实战避坑指南》摘要：本文针对大模型应用中常见的JSON解析问题，提出了一套完整的解决方案。核心痛点在于大模型自由生成特性与JSON严格语法间的矛盾，常导致字段缺失、类型错误、语法不合法等问题。作者从实战经验出发，总结出六层防御策略：1)检查Token截断；2)失败重试机制；3)使用结构化输出；4)清洗Markdown包裹的JSON；5)字段级防御性解析；6)简单场景避免过度设计。文章最后提供了一个工业级鲁棒解析器的完整实现方案，强调全链路日志记录和防御性编程的重要性，帮助开发者构建真正
2026-05-11 10:45:45
523
原创 如何开发需求文档质量评分的Skill
本文介绍了一种利用AI评价需求文档质量的智能方法。传统人工评审存在标准不一、效率低下等问题，该方案通过5个核心指标（关注内容边界、可验证性、无歧义性、正确性、一致性）对需求文档进行结构化分析。AI能自动识别文档中的需求条目，逐条评估质量，生成包含问题定位和改进建议的详细报告，包括文档等级评定、高频问题词统计和修复清单。该方法将人工从重复性工作中解放出来，使团队能聚焦于业务逻辑和用户体验等核心问题。实施案例显示，该技能能有效识别文档中的模糊表述、量化标准缺失等问题，为需求质量改进提供明确方向。
2026-05-07 17:57:11
628
原创 与AI结对调试程序的防坑指南
《与AI协作的九条血泪教训》 核心痛点在于AI倾向于"见症开方"而非"寻根治本"。通过九大典型案例，提炼出以下关键经验：1) 坚持先验证根因再修改，避免陷入补丁循环；2) 警惕权宜之计，评估方案的长远适应性；3) 设立明确目标防止迷失主线；4) 建立全链路日志体系；5) 修改后必须全域自查；6) 保持成本意识；7) 严格处理格式转换边界；8) 锁定修改范围防止越界重构；9) 采用实验思维分步验证。最终形成包含7个步骤的标准化调试流程，强调稳定复现、
2026-05-06 08:55:26
516
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人