基础交互：别急着让它写代码

AI 的基础能力再强，模糊的指令依然会产出模糊的结果。一个好的提示词应该包含四个要素：

  • 目标：你需要构建或修改什么
  • 上下文：相关的代码文件、文档或错误信息
  • 约束：架构要求、代码规范、安全限制
  • 完成标准：任务完成的客观条件，比如测试通过、Bug 修复

面对复杂或模糊的任务，切忌直接让 AI 生成代码。应该先进入「计划模式」，或者让 AI 反向提问，把思路理清、假设排除之后再动手。这一步很多人会跳过，但恰恰是复杂项目成败的分水岭。

代码生成之后也不能就此收工。要求 AI 编写测试、运行代码检查、进行自我审查——建立一个完整的验证闭环，才能保证交付质量。

知识沉淀：把经验写进配置文件

每次对话都重复交代项目背景，是巨大的效率浪费。解决方案是 AGENTS.md。

把它理解为「写给 AI 的 README」：在里面定义项目结构、构建和测试命令、代码约定、禁忌事项。一旦写好，AI 每次启动时自动加载这些规范，省去大量重复输入。这个设计很实用，尤其是多人协作或项目周期较长时，效果立竿见影。

在工作流配置层面，通过 config.toml 文件固化个人或项目的偏好设置，比如模型选择和推理深度。权限管理上建议遵循最小权限原则——初始阶段保持严格的沙盒和审批模式，随着信任建立再逐步放宽。

能力跃迁：让 AI 连接外部世界

当 AI 需要获取代码库之外的动态信息或操作外部工具时，MCP（Model Context Protocol）是打破信息孤岛的关键。通过 MCP 接入，AI 可以直接与你现有的工具链实时交互，而不是局限在本地文件里闭门造车。

如果某个提示词或工作流被反复使用——比如日志排查、生成 Release Notes——应该把它固化为 SKILL.md。这相当于为 AI 编写了一套标准操作流程（SOP），调用即用，无需每次重新描述。

当一个技能或工作流已经足够稳定且可预测，就可以更进一步：转化为定时自动化任务。让 AI 在后台默默完成代码扫描、总结报告等日常维护工作。不过这一步容易踩坑——工作流还不够稳定时就盲目开启自动化，结果往往是制造更多问题。

会话管理与避坑指南

把每个会话视为一个独立的工作线程。利用分支（/fork）、压缩（/compact）和多智能体协同来保持上下文的纯净和聚焦，避免单个会话变得臃肿不堪。

几条核心避坑原则值得记住：

  • 不要把长期规则塞进单次提示词——应该写入 AGENTS.md
  • 不要向 AI 隐藏构建和测试命令——它需要知道如何验证自己的工作
  • 不要在复杂任务中跳过计划阶段
  • 不要在工作流稳定前就盲目开启自动化

整条路径的逻辑其实很清晰：先把单次交互做扎实，再把经验沉淀成配置，然后扩展能力边界，最后才是自动化。对于独立开发者来说，这套渐进式的方法比一上来就追求全自动要靠谱得多——先跑通手动流程，再考虑让机器接管。