分享我对科技、设计和开发的思考
当前显示 4 / 共 4 篇文章 • 116 个标签 • 按 #方法论 筛选
针对使用 AI 编程时“任务成功但理解失败”的空心化问题，作者基于 Anthropic 的理解验证思路与自身四个真实项目的迭代实践，提炼出一套极简实操工作流：通过剖析理解流失的三大漏点（会话内/会话间/未落纸），确立“任务完成”与“理解完成”两条并行验收线，利用固定三问复述与 Harness/CLAUDE.md 沉淀，把技术认知从脑内传话筒升级为机器可驻留的环境资产。
过度依赖 AI 编程易导致开发者沦为麻木的“审批按钮”——点同意只需 3 秒，看懂却要 30 分钟。这种决策疲劳会导致“智能体黑箱”，造成任务成功但认知完全空心化的隐形负债。本文提出 5 信号自测清单与 3 道关键防线，帮助开发者把技术判断权从 AI 手中拿回来。
人工“跑一遍主流程”是 AI 编码交付中最脆弱的一环，极易漏掉边界输入、异常状态与暗中改坏的旧模块。本文提出“AI的能力边界由可验证反馈决定”，并通过三句轻量级 Prompt 动作将验证动作外包给 AI，把每一次踩坑转化成自动拦截的机器资产。
随着大模型快速进化，过去熬夜打磨的 Prompt 技巧、囤积的 MCP 和插件正在大面积失效贬值。本文从三年实战经验出发，拆解模型升级下的资产贬值区与增值区，并提供一套“三问自检清单”加“24小时法则”，助你分清真正不可替代的人类认知资产。
当我发布新文章时收到通知。不发垃圾邮件,随时可退订。
在浏览器中接收即时推送通知。
有项目想法吗？我目前可接受自由职业工作。
