AI开发总结

基础原则

• 人机协同：人类主导目标定义、关键过程设计、规范制定及验收标准；AI需遵守规范、符合流程要求并达成目标。双方需保持标准一致性，确保资料人机互通。
• 切面开发：
  • 业务流：需求文档→拆解→功能点→技术设计→代码开发→测试→自测修复→交付。
  • 技术架构：接口/定时任务→子业务服务→聚合服务→领域服务→Mapper→基础资源（MySQL/Redis/Kafka）。
  • 数据架构：报表/监控→业务数据层→领域数据层→原始数据层。
• AI提效核心：通过总结重复性工作形成SKILL，解放精力投入创造性任务；实现多任务并行以提升效率。
• 生产力变革：AI作为工具（如打火机取代钻木取火）革新生产力，淘汰固步自封者，增强工具使用者。
• 信息平权：组织内生产力提升依赖人与AI的信息对称，确保AI获取与人类同等信息。

限制因素

• 上下文长度：主流模型支持256K上下文，1M会显著降低能力；需精准管理Prompt输入。
• 时间消耗：Agent基于轮询机制，模型调用速度约30-100 tokens/秒，需关注隐性时间成本。

开发模式

推荐组合：

• Spec管理过程，Harness确保结果，Vibe优化体验。

AI应用等级

基础设施

• 知识库：Git + Vitepress + Markdown，支持AI直接访问.md文件，兼容飞书文档转换。
• 访问地址：http://docs.cinta.team/，遵循Markdown编写规范。

安全保护

• 代理层设计：通过中间代理隔离敏感操作（如SQL执行、API调用），避免直接暴露凭据。
• 威胁防护：防范业务数据泄露、凭窃取、脚本注入攻击。

经验总结

1. 模型选择：GLM 5.1 > KIMI K2.6 > QWEN3.6 MAX，推荐Opencode集成IDE命令行。
2. 文档准则：精准描述“如何做”与“禁止项”，积累Bad Case持续优化。
3. 输入输出：明确输入要求并严格验收输出，确保结果符合预期。