别自己造轮子
你不需要最新的框架，不需要装一百万个插件。事实上，你的热情可能在害你。
每一代AI能力的演进，都会改变工作方式。原因很简单：AI被设计得越来越愿意遵循指令。几代之前，你在CLAUDE.md里写"做任何事前先读这个文件"，它有50%概率直接无视你自己瞎搞。今天，它对大多数指令都服从，甚至复杂嵌套指令——"先读A，然后读B，如果C就读D"——它都能跟上。
每一代新模型都会迫使你重新思考"什么是最佳实践"。所以少即是多。你今天花三天搭的工作流，下个月可能被一个原生功能替代。
上下文就是一切
"用Python写个猜单词游戏"，很简单。但问题是，26个会话前的"内存管理"笔记、71个会话前因为程序崩溃的记录、永远要写的笔记——这些和猜单词游戏有什么关系？
什么关系都没有。但它们全塞在上下文里。
核心原则：只给AI完成任务所需的精确信息量，不多不少。控制得越好，AI表现越好。一旦引入各种记忆系统、插件、命名混乱的技能，你就是同时递给AI一份"造炸弹的说明书"和"烤蛋糕食谱"，然后指望它写一首关于森林的诗。
剥离所有不必要的依赖。
精确指定任务
模糊指令是性能杀手。你说"去搭个登录系统"，AI得研究什么是登录系统、有哪些选项、各自优缺点。它得去搜一堆不需要的信息，上下文被各种可能性填满。实施时，它更可能困惑，或者编出不必要的细节。
精确指令不一样。AI不需要研究其他选项，它明确知道你要什么，直接执行。
一个实验很能说明问题：让AI直接写澳洲WHV签证申请攻略，和先查资料再写，结果天差地别。前者编了一堆签证要求，后者准确到截止日期和材料清单。
把"查资料"和"干活"分开，这个原则适用于所有生产级工作。
别让它猜
AI产品设计的底层逻辑是讨好用户。没人想用整天挑刺的产品，所以AI会努力同意你、做你想让它做的事。
但这有个隐蔽的问题。如果你说"在代码库找个bug"，它会找到一个——即使需要编一个出来。因为它非常想听你的话。
很多人抱怨AI瞎编，没意识到自己就是问题源头。你要某样东西，它会交付，即使需要稍微"灵活"一点。
解法是用中性描述，不预设答案。不说"找bug"，而是"遍历代码，尽量跟上逻辑，汇报所有发现"。这个区别看起来微妙，实际效果差距巨大。
怎么判断什么功能值得用
这个看似需要追前沿，但其实有个简单的判断标准：如果OpenAI和Anthropic都实现了，或者收购了做这件事的公司，那就是有用的。
技能（Skills）现在到处都是，已经写进官方文档。规划（Planning）功能也是——一群人发现"先规划再干"真的有效，然后它变成了核心功能。还记得以前延长AI运行时间很麻烦，因为模型不愿干长活，然后某个版本一出，这问题一夜之间消失？
如果真重要真有用，AI公司会自己实现。你不需要追每一篇新文章。偶尔更新一下CLI工具，看看加了什么新功能，这就够了。
告诉它什么时候算完
人对"完成"有直觉，AI没有。最大的问题是它知道怎么开始，但不知道什么时候算完。这常导致它搭了个框架就说完工了。
测试是目前最好的"完成信号"。确定性强，可以设明确期望——除非这些测试通过，否则不算完。
另一个最近变得可行的终点验证方式是截图。让AI实现到测试通过，然后截图验证设计或行为是否符合预期。这让你能指挥AI持续迭代，不用担心它试一次就躺平。
积累偏好，但定期清理
你会想持续往CLAUDE.md里加规则和技能，这是AI记住你偏好的方式。其他几乎都是过度设计。
一旦开始这样做，AI会像魔法——它会按你想要的方式做事，你终于觉得掌握了AI工程的精髓。然后，它又开始拉胯。
原因是你加的规则和技能开始互相矛盾，或者上下文太重了。如果需要AI读十几个文件才能开始干活，有用信息就被淹没了，回到原点。
解法是定期清理。让AI整合规则和技能，移除矛盾的部分，确认你最新的偏好。这不是一次性操作，是持续的维护工作。
一个实际的例子：上个月归档了3个不常用的技能，合并了2个重叠的规则。系统更干净，AI犯错更少。
对结果负责
今天的AI都不完美。你可以把设计和实施交给AI，但最终结果是你的。这一点在AI能力越强的时候反而越重要——因为你更容易放松警惕。
回到开头那个判断：真正能榨干AI的人，不是工具装得最多的人，而是上下文管理最干净的人。少装插件，多管上下文；少追新工具，多清理旧规则。这条路没有捷径，但方向很明确。