【转载提炼】某位大佬在2025年对AI编程的理解——万字长文
核心认知
1. AI 编码范式总览 ：把交付重心从"手写代码量"转到"任务定义质量、上下文组织质量、验收闭环质量"，先定义问题边界和成功标准，再让模型参与实现，可显著提升稳定性和可复用性。
2. LLM 工作机理（概率续写） ：模型本质是基于上下文做高概率生成，强项是模式归纳与结构补全，短板是事实记忆和长期一致性；因此把模型当作"高维模式匹配器"来用最有效，输入质量和上下文结构直接决定输出上限；在输入中必须显式给出约束、事实源和禁止项。
3. Prompt 演变方向 ：高效 Prompt 不再追求"花式咒语"，而是强调任务规格化（目标、输入、约束、输出格式、验收标准），让模型从"猜你想要什么"转为"按契约执行"。
思维升级与角色转变
4. 大道至简（减少引导） ：采用短指令+明确目标+必要上下文，避免冗长角色扮演，让 token 预算优先用于问题本身而不是"表演层"。
5. 身份认知升级 ：把 AI 当"协作执行体"而非"聊天对象"，用任务分配、结果检查、迭代纠偏来驱动效率，可显著降低无效来回。
8. 专注力与思考能力 ：AI 时代的稀缺能力是问题拆解、边界定义、风险预判和复盘抽象，把人力从"逐行编码"转到"问题定义与边界控制"，核心产能来自拆解能力、判断能力和复盘能力。
12. 心态转变（从作者到指挥） ：角色从"亲自写每行代码"转为"制定规则、分配任务、监督质量、整合产出、审核结果"，重点从局部实现转向全局质量与节奏控制。这是 AI 编码时代最关键的能力迁移。
模型选择与评估
6. 开源闭源选择 ：选型遵循任务约束而非立场偏好，复杂工程和高稳定场景优先能力强、工具链成熟的模型，本地部署和成本敏感场景优先可控开源方案，最终以任务通过率和总成本决策。
7. 远离营销叙事 ：以真实任务通过率、改动质量、回归风险和总成本评估模型，不以榜单热度和短演示决定技术栈。
工作流方法论
9. 文件即记忆（外置上下文） ：通过 AGENTS.md、PLANS.md、规格文档沉淀长期记忆，减少会话漂移、重复解释和跨轮次信息丢失
10. 计划优先于执行 ：先形成可执行计划（步骤、依赖、验收、回滚等），再开始落地实现，把错误预防前移到设计阶段，可显著减少后期大改的返工和"写完才发现方向错"的隐性成本。
11. 结果为准（可验证交付） ：所有输出都应落到可验证结果（可运行、可测试、可解释、可回退），把"看起来对"替换为"证据链完整"，以测试与验收清单作为最终裁决。
13. 错误实践规避 ：避免长会话硬撑、盲目并行、频繁切模型、忽视上下文压缩；采用小步提交、阶段总结、定期重置上下文与里程碑验收，可显著降低失控概率。
实践与工具
14. Codex 实践要点 ：高质量实践依赖：任务拆分清晰、约束明确、命令化流程、中途检查点、收尾验收与复盘，把每一次成功经验沉淀成可重复模板如提示词和skills。
15. 产品推荐 ：Amp Code、v0、ChatGPT、Grok、Gemini 按能力分工组合使用（代码执行、前端生成、检索整合、深度推理、多模态），以"主力工具 + 补位工具 + 统一验收标准"实现稳定产出。