开场白：别慌，这真是人写的！

先声明一下，这篇文章的主体内容是本人亲自码出来的，后面让AI帮忙润色了几句——毕竟我的手写体比医生的还难认。🤷

本次聊的不是“甩手掌柜型”AI编程（你只负责想法，AI全包干），而是“AI辅助型”——你掌控节奏，AI帮你提速。适用于复杂代码库、注重风格和架构的场景，不是那种一锤子买卖式的快速原型。

如果你连AI写的代码都看不懂，那本文恐怕帮不了你，建议先补补基础😊。

正片开始

下面给大家分享下，我跟Cursor这类AI编程助手长期相处的经验总结——不敢说普适，但绝对血泪教训换来的“土办法”。

为了让你一看就懂，我们举个离谱点的例子：重构咖啡店点单系统，结果莫名其妙还掺了区块链，光一个拿铁下单都能上链。别笑，这年头什么奇葩需求都能遇到。

曾经的“踩坑史”

刚开始我跟大多数人一样——把需求描述一丢，按下回车，幻想AI能一键解决。很快发现，这套路有点“自作聪明反被聪明误”。

比如我说“修复拿铁下单流程”，AI信誓旦旦地重构了错误的支付模块——因为它只看到零零散散的代码片段，对全局毫无概念。

后来我才知道，像Cursor这种工具，为了节省计算资源（说白了也是为大家省钱），它们会用搜索和grep等功能，只抓取部分相关代码。AI看得少，脑补得多，风格和结构就容易跑偏。

这就像让你只读小说的几页，就得猜完整剧情——主线大致能蒙出来，但人物关系、细节风格就全靠想象了。

结果嘛，AI写出来的代码，能跑，但跟你的代码风格八竿子打不着。

第一次“开窍”：强制AI整本读

我的第一个突破，是用自己的“Model Context Protocol（MCP）”——让AI不是只看片段，而是把关键文件全读一遍。通过精心设计提示词，逼着AI用我定制的工具读全文件，而不是只用Cursor自带的搜索。

吃过的亏：AI总是误改我们的“customer_caffeine_desperation_index”（顾客咖啡因绝望指数）算法，因为它根本没看到这个算法在三个文件间怎么串的。

但关键的代价是：整本读会暴饮暴食你的上下文窗口（context window）。

这就跟你是打个电话聊几句，还是翻人家整本日记一样。日记信息量大，但你脑容量就那么点，读多了容易脑子糊。

我的做法是：只让AI完整读真正重要的文件，次要的用搜索。这样一来，既保证质量，又不至于把上下文撑爆。

聊天长度悖论

第二个大坑：聊天记录越长，AI越迷糊。我以前喜欢跟AI“长谈”，结果Cursor常常委婉建议我“重开一局，效果更佳”。

但每次新开聊天，响应是快了，前面辛苦积累的项目上下文又全丢了。

这简直是个哲学悖论：要么AI啥都记着但脑袋糊；要么清醒得像刚睡醒，但啥都不记得。

我一开始傻傻地把个人偏好记在便签软件里，隔一会儿粘贴一下。但真正的转折点，是我摸索出了一套“双层工作流”。

“双层工作流”——因为真的有两层

这套体系很简单：你有一个代码库，有个明确的目标（无论新功能、修Bug还是重构）。

第一层：规划阶段（大本营对话）

这一步就是建立你的“黄金对话”，成为整个项目的“事实根据地”。

步骤1：打好地基
我先把需求讲清楚，再挑出必须完整阅读的核心文件，简要描述它们在项目中的角色。别怕麻烦，这步选文件越准，后面AI表现越好。这份提示词会反复用，绝对值得打磨。

强制AI把这些文件完整读一遍。然后让它去发现其他相关文件，帮你制订一份详细的行动方案——这一步只谈理解和规划，绝不让它动手改代码。务必明说：“只读不改，先理解再说。”

步骤2：方案迭代
在临时对话里，让AI帮你优化方案。比如说：“一起完善这个方案，你先提建议，我指出问题，你有疑问就问。”
一直磨到AI不再提出有建设性的问题。问题变得无聊时，就是停下来的信号。

步骤3：生成最终方案文档
等AI和你的思路完全对齐后，让它输出一份详细的markdown计划。我常用的标准是：“假如有个新工程师只拿到这份文档，他能不能快速上手、了解代码结构，然后按你的思路开展工作？”

步骤4：回归主线
回到你建立的大本营对话，把这个精炼方案交给AI，让它结合这份计划，探索代码库。

恭喜你，第一层已就绪。正所谓“万事俱备，只欠东风”——东风是什么，问ChatGPT吧，典故比我讲得清楚。

举例：咖啡店重构大计

用户：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

"""
任务：重构咖啡店点单系统，去掉拿铁订单中的区块链集成，同时保留顾客紧急度评分系统。

需完整阅读的核心文件：
- order_processor.py（主下单逻辑，负责神秘的区块链调用）
- urgency_calculator.py（计算顾客咖啡因急迫度）
- payment_handler.py（常规支付与区块链支付分界点）
- customer_model.py（定义紧急度相关属性）

只读不改——先把这些文件看完，帮我搞清楚拿铁-区块链的关联。然后找出其他相关文件，做个详细重构方案。
"""

AI助手：（通读所有文件，发现区块链逻辑也影响卡布奇诺，找到还有3个文件需处理，梳理出系统架构全貌……）

第二层：具体实现阶段

现在才是真正的“敲代码”时刻。得益于第一层的扎实基础，AI对你的项目了如指掌。可以直接告诉它下一步做什么，或者让它生成下一个任务计划（省点token，每一分都不浪费），然后把计划粘到新的实现对话里。

第二层核心原则：

迭代推进，步步为营
始终强调“迭代式”合作，每次只让AI改一个文件，改完就停，等你确认再继续。这样能第一时间发现偏差，防止一出错就“满盘皆输”。

用清晰的称呼
习惯用“the user”指自己，别用“I”，避免AI自我认知混乱（别问为什么，问就是AI有时候分不清你我他）。

高级玩法：有策略地清理旧代码
对代码库很熟时，建议让AI在写新功能时顺手删掉旧代码（哪怕短暂影响别的功能），避免“代码遗迹”越积越多。如果你追求兼容性，也可以，只要在docstring里清楚标注哪些函数已废弃，不然AI还会傻乎乎继续调用。

实现阶段举例

用户：

1
2
3
4
5
6
7

"""
这是我们第一层对话整理出来的 refined plan：@current_task_plan.md

现在执行第1步：在order_processor.py里去掉拿铁订单的区块链集成。

请迭代推进——只修改这个文件，做完停下，等用户确认再动payment handler。用户要逐步审核，避免误伤生产环境的咖啡队列。
"""

AI助手：（修改order_processor.py，去除了拿铁区块链操作，切换成标准支付流程……）

常用“定心丸”提示词：

• “只改一个文件，做完停”
• “每步都请确认后再继续”
• “the user要审核每次变更”

上下文循环的魔法

这套体系最大威力在于：你不用让聊天记录越滚越长，而是每做一步实现，就回到“黄金第一层”对话。

操作方法非常简单：

每完成一步实现（一般一文件一小步，代码结构清晰时尤佳），不要在同一个实现对话里继续。而是回到第一层大本营对话，说：“第1步搞定了，文件更新如下，帮忙规划第2步。”

这就像有个“总控室”维持全局上下文，每个小任务都是短平快的分会场，但所有分会场都共享那份厚重的项目理解。

所以我称之为“双层工作流”：第一层管全局记忆，第二层管具体执行。

举例：回到大本营，开启新一轮

用户：

1
2
3
4
5
6
7

"""
咖啡店重构第1步完成，order_processor.py已更新——拿铁订单的区块链调用已移除，切换为标准支付。

目前状态：拿铁下单功能正常，但发现urgency_calculator.py里仍有区块链相关逻辑影响“高峰咖啡恐慌指数”计算。

按计划，下一步该聚焦哪里？
"""

AI助手：（检查更新文件，理清进度，建议第2步应专注清理急迫度计算中的区块链残留，同时保留核心评分逻辑……）

妙处在于：
你的大本营对话一直保持全局上下文，还能随时吸收最新进展。

何时更新你的“总控计划”

通常做两三步实现后，项目变化太大，原计划已不适用。这时就让AI帮你更新那份markdown总计划：剔除已完成的任务（彻底删干净），把新发现的需求和变化补进去，按当前系统架构重新排序。

一旦计划更新，回到第一层对话，把新计划发过去即可。由于所有文件都是引用最新的，因此AI天然会用最新上下文继续工作。
“第一层”对话无需知道前面发生过什么，就能无缝衔接。

举例：计划演化

用户：

1
2
3
4
5
6
7
8

"""
咖啡店重构已发生重大变化，区块链集成已移除，但紧急评分系统比预期复杂——现在还引入了“咖啡师压力指数”和“排队焦虑系数”。

请帮我更新总计划markdown文件：
- 已完成的任务请彻底清除
- 新增咖啡师压力集成相关需求
- 按最新架构重新梳理剩余任务
"""

AI助手：（更新@current_task_plan.md，清爽重组，反映最新全貌……）

完整工作流一览

整个流程非常丝滑：

1. 先做计划 → 用它建立“大本营”对话（Level 1）
2. 分步实现 → 每步新开实现对话（Level 2）
3. 回到大本营 → 汇报进度、获取下一步
4. 循环往复 → 直到功能/修复/重构完成

为什么这个体系靠谱

你始终只维护两层对话：一层负责“全局大脑”，一层专注“小步快跑”。

不让实现层对话拖太长，不丢全局上下文。就像有个既能记住全项目历史、又能专注当前任务的编程伙伴——既不“记忆超载”，又不“短时失忆”。

结果就是：代码质量更高，偏差更少，AI助手也没那么让人头疼了。

希望这个体系能帮你把AI助手用得更顺手，写代码像喝咖啡一样提神！