感谢我的10年GitHub ，来到传说中的L站 18 个帖子 - 15 位参与者 阅读完整话题
开心开心，萌新驾到，各位大佬多多指教。 感谢我的8年GitHub 能与大家在此相会。 要注意： 非必要不抽奖么 ， 7 个帖子 - 6 位参与者 阅读完整话题
IT之家 6 月 8 日消息，爆料人士 Nate The Hate 曾表示，任天堂将在本周召开新一期直面会，有望公布《塞尔达传说：时之笛》重制版。 值得注意的是，任天堂近日悄悄将原定 6 月 9 日进行的 Nintendo Store 商店维护时间， 推迟到了 6 月 11 日 。 相信长期关注任天堂情报的玩家都清楚，Nintendo Store 维护时间通常与直面会高度绑定。 任天堂通常会将商店维护时间安排在直面会播出前后 ，以配合新游戏主页上线、预购开启。 IT之家注意到，部分海外玩家就此认为，任天堂更可能在 6 月 11 日举行新一期直面会，而不是此前传闻的 6 月 9 日。 同时，Bluesky 网友 Yakumono 还发现，任天堂近日悄悄更新了 NES Classics、SNES Classics 和 GB Classics 三大经典游戏库。本次更新加入了目前无法使用的“挑战模式”，部分粉丝分析后认为，这类功能通常会在直面会结束后正式上线。 如果上述传闻属实，那么本次直面会的压轴游戏无疑是《塞尔达传说：时之笛》重制版。结合此前爆料，该作并非简单的高清化版本， 而是从零开始的重制 。
收到一个小程序的通知，微信 AI 这是要有大动作了吗？传说的通过 AI 直接操作小程序要来了？ 3 个帖子 - 2 位参与者 阅读完整话题
先放上游戏地址： https://hs-puzzle.pages.dev 规则非常简单，就是按照随从的水晶攻击力血量扩展包职业等等条件猜卡，左上角有给提示的，一键过滤可以过滤掉所有不满足条件的卡，所以实际猜起来也没那么困难。用的提示和猜测次数越少分数越高，还有个简单的排行榜。当然也支持移动端，但是由于界面元素太多了移动端实际上还是有点别扭，我本人也想不出来更好的移动端 ui 。 看坛子里好多人说是上班一行代码都不写，我工作中还是会手写不少代码的。这个项目也算一个全 ai 编程的尝试，手改代码不超过 20 行。 用的是 Trae CN 里面的 minimax m3 模型，无他，免费不排队而已。开发总用时几个小时吧，中间游戏规则有反复修改。如果一开始就明确需求的话可能会快很多。 既然都是 ai 编程技术栈似乎也无所谓了，我选的是 react+cf d1 数据库，托管再 pages 里面，突出一个免费。 代码都是 ai 写的，Trae 中间的 prompt 似乎是没办法持久化到项目中。所以虽然我传了 github ，这里也不贴地址了
虽然进论坛不久，但是时常看到富可敌国的各种传说。 想知道、有哪些靠谱的富可敌国，想看一些有保障的AI服务。 7 个帖子 - 5 位参与者 阅读完整话题
来L站挺久了，一直流传冰佬~公益站的传说，但苦于一直没抢到注册码（怀疑 有脚本来抢 ）。最近发现LDC的500积分可以兑换，但挣着500积分不容易，最近开发强度比较大，claude pro订阅已经不够，想兑换个冰佬~公益站注册码，不知道是否稳定、好用？ 更新 ： 1、购买注册码后，额度还需要ldc来购买，那额度是怎么计价的？ -------首次是送200$，后续是1ldc换1$ 2、听说最近有出现24h无限额度的，这个是多少ldc更换的？ 21 个帖子 - 12 位参与者 阅读完整话题
经过一个月的后训练能有多大提升 能不能脚踢4.6 10% 20% 30% 40% 50% 100%！！ 点击以查看投票。 2 个帖子 - 2 位参与者 阅读完整话题
不过似乎 deepseek 也没有传说中那么省钱，就使用了几次花了 6 元多 使用 cc switch 设置 https://github.com/farion1231/cc-switch/ 视频教程： https://core.xuanyuanhuangdi.org/codex.mp4
不过似乎 deepseek 也没有传说中那么省钱，就使用了几次花了 6 元多 使用 cc switch 设置 https://github.com/farion1231/cc-switch/ 视频教程： https://core.xuanyuanhuangdi.org/codex.mp4
不过似乎 deepseek 也没有传说中那么省钱，就使用了几次花了 6 元多 使用 cc switch 设置 https://github.com/farion1231/cc-switch/ 视频教程： https://core.xuanyuanhuangdi.org/codex.mp4
不过似乎 deepseek 也没有传说中那么省钱，就使用了几次花了 6 元多 使用 cc switch 设置 https://github.com/farion1231/cc-switch/ 视频教程： https://core.xuanyuanhuangdi.org/codex.mp4
不过似乎 deepseek 也没有传说中那么省钱，就使用了几次花了 6 元多 使用 cc switch 设置 https://github.com/farion1231/cc-switch/ 视频教程： https://core.xuanyuanhuangdi.org/codex.mp4
之前因为玩炉石传说的酒馆战旗，因为我太菜，要看鲍勃发牌，被气的脱坑了一段时间，最近又开始玩起来了，一路打到6900多分，然后鲍勃又开始欺负我了，一路掉到6000分，还继续速八好几把，那个气的啊，但是吧，又无聊，又想玩 1 个帖子 - 1 位参与者 阅读完整话题
大早上睡不着，日常抽卡双传说还有一张SP，分享喜悦 1 个帖子 - 1 位参与者 阅读完整话题
转生到 AI 时代，我不再相信一键生成代码的传说 省流（ TL;DR ） 核心问题 ：不是 AI 不会写代码，而是需求、边界、测试、文档没准备好就让它开写，代码「看起来能用、后面难改」。 做法 ：用一串 Skill 把 AI 放进完整研发链路 —— 先收集上下文，再梳理需求、拷问边界、出轻量方案，然后 TDD 实现、补测试、做 review 、本地走查、导出用例、更新文档。 流程特点 ：10 步有顺序，但可在需求、方案、审查、走查、文档等环节 回退修正 ，越早改成本越低。 人的角色 ：AI 负责整理和生成， 取舍、验收、能不能合 仍要人判断；目标是 可控、可复用 ，不是一次性提速。 ⏲️建议阅读时间: 10min 转生到 AI 研发时代，我不再迷信“许愿式编程”，而是把 AI 放进需求、开发、测试和文档这一整条研发链路里。 一、为什么 AI 的代码总是很难维护？ 很多人用 AI 写代码，第一步就是把需求丢进去，让它直接生成。 刚开始确实很爽，速度快，效果也像那么回事。但接到真实项目里，问题就来了：写法和项目不一致、权限漏了、边界没处理、异常场景没考虑，测试也跟不上。 这些代码最麻烦的地方是“看起来能用，但后面难改”。因为它不是基于完整上下文写出来的，而是基于一段临时描述生成的。需求没说清，AI 就只能猜；项目约束没给够，AI 就按自己的习惯写。 所以很多时候，不是 AI 写代码不行，而是我们让它太早开始写代码了。需求、边界、方案、测试点都没准备好，就让 AI 开始实现，最后生成得越快，返工也越快。 二、我的整体链路 收集需求和项目上下文 使用 /requirement skill 梳理需求 使用 /grillwithdoc skill 拷问需求、边界和风险 输出轻量技术实现说明 使用 /TDD skill 实现核心逻辑 使用 /testing skill 补齐单元测试/组件测试 使用 /code review skill 做代码审查 本地运行，人工走查核心流程 使用 /testcase skill 输出 Excel ，用于导入 Transcend 项目管理平台 使用 /feature-doc-maintainer 更新文档 这条链路不是只能从 1 走到 10 的直线流程。 主流程顺序推进，但在需求拷问、技术方案、代码审查、本地走查和文档更新阶段，都可能回退到前面的步骤。发现问题就回到前面修正，越早改，成本越低。 第一步：先收集上下文，再让 AI 工作 不要一上来就让 AI 写需求、写方案或者写代码。因为在上下文不完整的情况下，AI 很容易给出看起来完整、但实际一坨的结果。 所以第一步是先把和需求相关的信息整理出来，比如原始需求、历史文档、相似功能、接口说明、权限规则等。尤其是已有的 相似功能 很重要，它能让 AI 参考项目里真实的写法，而不是重新发明一套方案。 上下文准备清楚了之后接下来就可以轻松的走下面的流程了，但是如果一开始信息有误，那很可能会在错误的基础上进行。 第二步：用 /requirement skill 梳理需求 上下文准备好之后，不要急着进入开发。先用 /requirement skill 把需求过一遍。 这一步主要是把零散的信息整理成结构化内容，比如功能目标是什么、给谁用、核心流程怎么走、涉及哪些字段和状态、权限规则是什么。 这里要特别注意未确认问题或者是当前没有想明白的地方，一定要先用 TODO 标记出来后面找人确认。 整理完后，基本能产出一个可执行的需求文档，能够明确整体方向了。后面我们还会用 grillwithdoc 来敲定细节 这里产出的时候记得选 plan 模式 第三步：用 /grillwithdoc skill 拷问需求 有了需求文档之后，不要马上认定它就是对的。这个时候可以用 /grillwithdoc skill 再拷问一遍。 🥚使用 plan 模式的话 有 对话框 可以一次一次确认 这一步主要是检查需求有没有说清楚，比如边界在哪里、哪些场景不做、异常情况怎么处理、权限和数据范围有没有影响、按钮控制是不是完整。很多问题在正常流程里看不出来，只有换个角度追问，才会暴露出来。 这个 /grillwithdoc skill 很强，基本能把所有边界和细节明确的的很清楚。 拷问完成之后就能够得到一份宝贵的确认好细节的需求文档了 第四步：输出轻量技术实现说明 需求细节确认完之后，就可以开始看怎么实现了。 这里不建议一上来写很重的技术方案，太长了没人看，后面也不一定维护。我的做法是输出一份轻量技术实现说明，把关键内容讲清楚就行。 这一步的价值是让后面的开发有一个明确方向。特别是多人协作或者需求比较复杂的时候，有一份轻量说明，后面写代码、补测试、做 review 都会顺很多。 如果需求很简单，或者已经很明确了，这一步也可以省略，后期少维护一个文档👍 第五步：用 /TDD skill 实现核心逻辑 技术实现说明确定之后，就可以开始写代码了。 使用 /TDD skill 先处理核心逻辑。不要直接让 AI 上来一顿写，最好先让它拆出核心行为，然后先写测试，再实现代码。 这样做的好处是能限制 AI 的自由发挥。测试先写出来，AI 后面的实现就要围绕这些行为来做，不容易写偏。 /TDD skill 更适合用在核心逻辑、状态流转、工具函数、关键业务规则这些地方。如果是纯页面样式或者很简单的展示逻辑，就没必要硬套 TDD 。该轻就轻，不要把流程搞复杂。 第六步：用 /Testing Vue Vitest skill 补齐测试 TDD 做完之后，不代表测试就完成了。 TDD 更关注核心逻辑有没有写对，但页面交互、组件行为、异常分支、权限显隐这些，很可能还没有覆盖到。所以后面还要用 /testing skill 再补一轮。 补测试的时候也要结合最终代码看，不能只根据需求文档生成。否则测试看起来很多，但可能测不到真正关键的地方。 /Testing Vue Vitest skill 这个也包含了页面 UI 的 单元测试 第七步：用 /code review skill 做代码审查 代码和测试写完之后。这个时候可以用 /code review skill 再过一遍。 /code review skill 也适合用来发现一些容易忽略的问题，比如重复逻辑、边界处理不完整、测试没覆盖到关键场景等。 会按照优先级输出一份质量报告 不过这里还是要注意，AI review 只能作为提前检查。最后这个代码能不能合进去，还是要人自己判断。 第八步：本地运行和人工走查 review 完之后，一定要本地跑一下。 尤其是前端功能，不能只看代码和测试。页面能不能打开、搜索分页有没有问题、新增编辑删除是否正常、弹窗回显对不对、错误提示是否合理、权限按钮有没有按预期显示，这些都要实际走一遍。 这一步纯体力活，就是人工验收。AI 可以帮你写代码、补测试、做 review ，但它不能替你真实使用一遍功能。 如果本地走查发现问题，就回到前面的步骤修。不要因为流程已经走到第八步了，就硬往后推进。 第九步：用 /testcase skill 输出测试用例 Excel 本地走查通过之后，就可以开始整理测试用例了。 这里我会用 /testcase skill 输出测试用例 Excel 。它不是只根据最开始的需求生成，而是结合需求文档、技术实现说明、最终代码改动、已有测试点和本地走查结果一起生成。 这样出来的用例会更贴近真实功能，不容易写出那种看起来很完整、但测不到重点的内容。 我们当前是把 Excel 导入 Transcend 项目管理平台。或者交付给测试，让测试评估。 第十步：用 /feature-doc-maintainer 更新文档 最后一步是更新文档。 这里的文档主要是仓库内和功能强相关的文档，比如功能说明、权限规则、接口变化、操作流程、已知限制、测试说明等。不是为了补一篇很正式的文档，而是把最终实现沉淀下来。 很多时候文档只停留在需求阶段，后面代码改了，文档没跟上。时间一长，下一次再改这个功能，又要重新理解一遍。 所以我会在链路最后用 /feature-doc-maintainer 做一次同步，把最终实现和关键说明补回去。这样这次工作的结果，不只停留在代码里，也能给后面的人（ AI ）继续用。 三、人的判断点 做正确的事，比正确地做事更重要。 这套链路虽然用了很多 Skill ，但核心判断不能完全交给 AI 。 AI 可以帮我们整理信息、生成内容、补齐测试、做初步审查，但需求取舍、技术判断、测试评估和最终验收，还是要人来负责。 需求阶段：需要判断方向是否成立，哪些范围要做，哪些先不做，哪些问题必须找产品或负责人确认。AI 可以把问题列出来，但不能替我们做取舍。 代码和测试阶段：需要判断代码是否符合项目现状，改动成本是否可以接受，测试是否真的覆盖了关键风险。代码能不能合进去、测试用例有没有价值，最后还是要人来判断。 所以这条链路不是让 AI 替代人，而是让人从重复整理、补充、检查这些工作里抽出来，把精力放在更重要的判断和取舍上。AI 负责把材料准备好，人负责判断这些东西是不是对的、能不能用。 四、这套链路带来的变化 这套链路最大的变化，不是某一步突然快了多少，而是整个过程变得更稳了。 需求问题更早暴露 通过 /requirement skill 和 * /grillwithdoc skill *，很多边界、权限、异常场景可以在开发前先暴露出来，避免一边写代码一边补需求。 AI 输出更可控 每一步都有明确输入和输出，不是让 AI 自由发挥。需求、方案、代码、测试、文档都能串起来，结果也更容易检查。 返工更少 问题越早发现，修改成本越低。需求和方案阶段能解决的问题，就不要拖到代码写完之后再改。 测试更有依据 测试不再是最后临时补，而是基于需求、实现、代码改动和本地走查结果生成，更贴近真实风险。 测试用例能进入协作流程 通过 /testcase skill 输出 Excel ，可以导入 Transcend ，或者交给测试评估，不再只是本地文件。 文档能同步更新 最后用 /feature-doc-maintainer 把最终实现、权限规则、接口变化、已知限制补回去，方便后续维护，也方便 AI 继续理解上下文。 🧠人更专注判断和取舍 人负责确认方向、筛选结果和最终验收。 五、实践中的注意点 需求：先用 Plan 模式，不要直接执行 需求阶段尽量用 Plan 模式，让 AI 先问问题、拆边界、列 TODO 。 这个阶段不要急着生成代码，重点是把方向、范围、不做项先确认清楚。 代码：先用 Opus 4.7 计划，再用 Composer 2.5 执行 复杂需求可以先用 Opus 4.7 做方案和拆解，让它把改动范围、核心逻辑、风险点先列出来。 确认方向没问题后，再用 Composer 2.5 按计划执行代码修改。 这样比直接让执行模型上来改代码更稳，也更容易控制改动范围。 测试：先测核心路径，再补边界场景 不要一开始就追求测试很全。 先让 AI 覆盖核心流程，确认主路径能跑通，再补权限、异常、空数据、搜索分页、弹窗回显这些边界场景。 测试用例也要人工筛一下，没价值的不要硬留。 文档：最后再更新，基于最终实现写 文档不要太早定稿。 前面需求、代码、测试都会调整，最好在本地走查和 review 之后，再用 /feature-doc-maintainer 更新。 重点写最终实现、权限规则、接口变化、已知限制，不要写成很重的说明书。 六、总结 回到最开始的问题，为什么要把这套实践融入研发链路？ 因为单纯让 AI 写代码，只能解决一小段效率问题。真正拖慢研发的，往往不是代码写得慢，而是需求没说清、边界没想全、测试补得晚、文档跟不上。问题不是没做事，而是每一步都在补前一步的缺口。 这条链路的核心不是自动化，而是可控。每一步都有输入、有输出、有检查点，也都允许人随时介入确认。AI 能力越强，越需要这样的链路来承接它。 最后要做到的不是让 AI 替我们完成研发，而是让 AI 稳定地参与研发。让需求有依据，方案有约束，测试有反馈，文档有沉淀。这样提效才不是一次性的，而是可以持续复用的。 七、本文用到的 Skill 这套链路里主要用到了下面这些 Skill： Skill 作用 requirement-analysis 梳理需求，把零散信息整理成可执行需求文档 grill-with-docs 拷问需求边界、异常场景、权限和风险 tdd 用测试先行的方式实现核心逻辑 testing-vue-vitest 补齐 Vue 3 + Vitest 单元测试和组件测试 code-review 做代码审查，提前发现质量和风险问题 diagnose 遇到复杂 bug 或性能问题时，按复现、假设、验证、修复、回归的流程定位问题 testcase-excel 生成测试用例 Excel ，方便导入测试管理平台 feature-doc-maintainer 根据最终实现更新功能文档 如果你也想把这些 Skill 放到自己的项目里，可以参考我整理的 Git 仓库： Git 地址： https://github.com/535803710/ai-rd-skills 这些 Skill 不是固定答案，更像一套可以继续调整的流程模板。真正落地时，建议根据自己团队的项目结构、测试规范和文档习惯做一轮改造。
转生到 AI 时代，我不再相信一键生成代码的传说 省流（ TL;DR ） 核心问题 ：不是 AI 不会写代码，而是需求、边界、测试、文档没准备好就让它开写，代码「看起来能用、后面难改」。 做法 ：用一串 Skill 把 AI 放进完整研发链路 —— 先收集上下文，再梳理需求、拷问边界、出轻量方案，然后 TDD 实现、补测试、做 review 、本地走查、导出用例、更新文档。 流程特点 ：10 步有顺序，但可在需求、方案、审查、走查、文档等环节 回退修正 ，越早改成本越低。 人的角色 ：AI 负责整理和生成， 取舍、验收、能不能合 仍要人判断；目标是 可控、可复用 ，不是一次性提速。 ⏲️建议阅读时间: 10min 转生到 AI 研发时代，我不再迷信“许愿式编程”，而是把 AI 放进需求、开发、测试和文档这一整条研发链路里。 一、为什么 AI 的代码总是很难维护？ 很多人用 AI 写代码，第一步就是把需求丢进去，让它直接生成。 刚开始确实很爽，速度快，效果也像那么回事。但接到真实项目里，问题就来了：写法和项目不一致、权限漏了、边界没处理、异常场景没考虑，测试也跟不上。 这些代码最麻烦的地方是“看起来能用，但后面难改”。因为它不是基于完整上下文写出来的，而是基于一段临时描述生成的。需求没说清，AI 就只能猜；项目约束没给够，AI 就按自己的习惯写。 所以很多时候，不是 AI 写代码不行，而是我们让它太早开始写代码了。需求、边界、方案、测试点都没准备好，就让 AI 开始实现，最后生成得越快，返工也越快。 二、我的整体链路 收集需求和项目上下文 使用 /requirement skill 梳理需求 使用 /grillwithdoc skill 拷问需求、边界和风险 输出轻量技术实现说明 使用 /TDD skill 实现核心逻辑 使用 /testing skill 补齐单元测试/组件测试 使用 /code review skill 做代码审查 本地运行，人工走查核心流程 使用 /testcase skill 输出 Excel ，用于导入 Transcend 项目管理平台 使用 /feature-doc-maintainer 更新文档 这条链路不是只能从 1 走到 10 的直线流程。 主流程顺序推进，但在需求拷问、技术方案、代码审查、本地走查和文档更新阶段，都可能回退到前面的步骤。发现问题就回到前面修正，越早改，成本越低。 第一步：先收集上下文，再让 AI 工作 不要一上来就让 AI 写需求、写方案或者写代码。因为在上下文不完整的情况下，AI 很容易给出看起来完整、但实际一坨的结果。 所以第一步是先把和需求相关的信息整理出来，比如原始需求、历史文档、相似功能、接口说明、权限规则等。尤其是已有的 相似功能 很重要，它能让 AI 参考项目里真实的写法，而不是重新发明一套方案。 上下文准备清楚了之后接下来就可以轻松的走下面的流程了，但是如果一开始信息有误，那很可能会在错误的基础上进行。 第二步：用 /requirement skill 梳理需求 上下文准备好之后，不要急着进入开发。先用 /requirement skill 把需求过一遍。 这一步主要是把零散的信息整理成结构化内容，比如功能目标是什么、给谁用、核心流程怎么走、涉及哪些字段和状态、权限规则是什么。 这里要特别注意未确认问题或者是当前没有想明白的地方，一定要先用 TODO 标记出来后面找人确认。 整理完后，基本能产出一个可执行的需求文档，能够明确整体方向了。后面我们还会用 grillwithdoc 来敲定细节 这里产出的时候记得选 plan 模式 第三步：用 /grillwithdoc skill 拷问需求 有了需求文档之后，不要马上认定它就是对的。这个时候可以用 /grillwithdoc skill 再拷问一遍。 🥚使用 plan 模式的话 有 对话框 可以一次一次确认 这一步主要是检查需求有没有说清楚，比如边界在哪里、哪些场景不做、异常情况怎么处理、权限和数据范围有没有影响、按钮控制是不是完整。很多问题在正常流程里看不出来，只有换个角度追问，才会暴露出来。 这个 /grillwithdoc skill 很强，基本能把所有边界和细节明确的的很清楚。 拷问完成之后就能够得到一份宝贵的确认好细节的需求文档了 第四步：输出轻量技术实现说明 需求细节确认完之后，就可以开始看怎么实现了。 这里不建议一上来写很重的技术方案，太长了没人看，后面也不一定维护。我的做法是输出一份轻量技术实现说明，把关键内容讲清楚就行。 这一步的价值是让后面的开发有一个明确方向。特别是多人协作或者需求比较复杂的时候，有一份轻量说明，后面写代码、补测试、做 review 都会顺很多。 如果需求很简单，或者已经很明确了，这一步也可以省略，后期少维护一个文档👍 第五步：用 /TDD skill 实现核心逻辑 技术实现说明确定之后，就可以开始写代码了。 使用 /TDD skill 先处理核心逻辑。不要直接让 AI 上来一顿写，最好先让它拆出核心行为，然后先写测试，再实现代码。 这样做的好处是能限制 AI 的自由发挥。测试先写出来，AI 后面的实现就要围绕这些行为来做，不容易写偏。 /TDD skill 更适合用在核心逻辑、状态流转、工具函数、关键业务规则这些地方。如果是纯页面样式或者很简单的展示逻辑，就没必要硬套 TDD 。该轻就轻，不要把流程搞复杂。 第六步：用 /Testing Vue Vitest skill 补齐测试 TDD 做完之后，不代表测试就完成了。 TDD 更关注核心逻辑有没有写对，但页面交互、组件行为、异常分支、权限显隐这些，很可能还没有覆盖到。所以后面还要用 /testing skill 再补一轮。 补测试的时候也要结合最终代码看，不能只根据需求文档生成。否则测试看起来很多，但可能测不到真正关键的地方。 /Testing Vue Vitest skill 这个也包含了页面 UI 的 单元测试 第七步：用 /code review skill 做代码审查 代码和测试写完之后。这个时候可以用 /code review skill 再过一遍。 /code review skill 也适合用来发现一些容易忽略的问题，比如重复逻辑、边界处理不完整、测试没覆盖到关键场景等。 会按照优先级输出一份质量报告 不过这里还是要注意，AI review 只能作为提前检查。最后这个代码能不能合进去，还是要人自己判断。 第八步：本地运行和人工走查 review 完之后，一定要本地跑一下。 尤其是前端功能，不能只看代码和测试。页面能不能打开、搜索分页有没有问题、新增编辑删除是否正常、弹窗回显对不对、错误提示是否合理、权限按钮有没有按预期显示，这些都要实际走一遍。 这一步纯体力活，就是人工验收。AI 可以帮你写代码、补测试、做 review ，但它不能替你真实使用一遍功能。 如果本地走查发现问题，就回到前面的步骤修。不要因为流程已经走到第八步了，就硬往后推进。 第九步：用 /testcase skill 输出测试用例 Excel 本地走查通过之后，就可以开始整理测试用例了。 这里我会用 /testcase skill 输出测试用例 Excel 。它不是只根据最开始的需求生成，而是结合需求文档、技术实现说明、最终代码改动、已有测试点和本地走查结果一起生成。 这样出来的用例会更贴近真实功能，不容易写出那种看起来很完整、但测不到重点的内容。 我们当前是把 Excel 导入 Transcend 项目管理平台。或者交付给测试，让测试评估。 第十步：用 /feature-doc-maintainer 更新文档 最后一步是更新文档。 这里的文档主要是仓库内和功能强相关的文档，比如功能说明、权限规则、接口变化、操作流程、已知限制、测试说明等。不是为了补一篇很正式的文档，而是把最终实现沉淀下来。 很多时候文档只停留在需求阶段，后面代码改了，文档没跟上。时间一长，下一次再改这个功能，又要重新理解一遍。 所以我会在链路最后用 /feature-doc-maintainer 做一次同步，把最终实现和关键说明补回去。这样这次工作的结果，不只停留在代码里，也能给后面的人（ AI ）继续用。 三、人的判断点 做正确的事，比正确地做事更重要。 这套链路虽然用了很多 Skill ，但核心判断不能完全交给 AI 。 AI 可以帮我们整理信息、生成内容、补齐测试、做初步审查，但需求取舍、技术判断、测试评估和最终验收，还是要人来负责。 需求阶段：需要判断方向是否成立，哪些范围要做，哪些先不做，哪些问题必须找产品或负责人确认。AI 可以把问题列出来，但不能替我们做取舍。 代码和测试阶段：需要判断代码是否符合项目现状，改动成本是否可以接受，测试是否真的覆盖了关键风险。代码能不能合进去、测试用例有没有价值，最后还是要人来判断。 所以这条链路不是让 AI 替代人，而是让人从重复整理、补充、检查这些工作里抽出来，把精力放在更重要的判断和取舍上。AI 负责把材料准备好，人负责判断这些东西是不是对的、能不能用。 四、这套链路带来的变化 这套链路最大的变化，不是某一步突然快了多少，而是整个过程变得更稳了。 需求问题更早暴露 通过 /requirement skill 和 * /grillwithdoc skill *，很多边界、权限、异常场景可以在开发前先暴露出来，避免一边写代码一边补需求。 AI 输出更可控 每一步都有明确输入和输出，不是让 AI 自由发挥。需求、方案、代码、测试、文档都能串起来，结果也更容易检查。 返工更少 问题越早发现，修改成本越低。需求和方案阶段能解决的问题，就不要拖到代码写完之后再改。 测试更有依据 测试不再是最后临时补，而是基于需求、实现、代码改动和本地走查结果生成，更贴近真实风险。 测试用例能进入协作流程 通过 /testcase skill 输出 Excel ，可以导入 Transcend ，或者交给测试评估，不再只是本地文件。 文档能同步更新 最后用 /feature-doc-maintainer 把最终实现、权限规则、接口变化、已知限制补回去，方便后续维护，也方便 AI 继续理解上下文。 🧠人更专注判断和取舍 人负责确认方向、筛选结果和最终验收。 五、实践中的注意点 需求：先用 Plan 模式，不要直接执行 需求阶段尽量用 Plan 模式，让 AI 先问问题、拆边界、列 TODO 。 这个阶段不要急着生成代码，重点是把方向、范围、不做项先确认清楚。 代码：先用 Opus 4.7 计划，再用 Composer 2.5 执行 复杂需求可以先用 Opus 4.7 做方案和拆解，让它把改动范围、核心逻辑、风险点先列出来。 确认方向没问题后，再用 Composer 2.5 按计划执行代码修改。 这样比直接让执行模型上来改代码更稳，也更容易控制改动范围。 测试：先测核心路径，再补边界场景 不要一开始就追求测试很全。 先让 AI 覆盖核心流程，确认主路径能跑通，再补权限、异常、空数据、搜索分页、弹窗回显这些边界场景。 测试用例也要人工筛一下，没价值的不要硬留。 文档：最后再更新，基于最终实现写 文档不要太早定稿。 前面需求、代码、测试都会调整，最好在本地走查和 review 之后，再用 /feature-doc-maintainer 更新。 重点写最终实现、权限规则、接口变化、已知限制，不要写成很重的说明书。 六、总结 回到最开始的问题，为什么要把这套实践融入研发链路？ 因为单纯让 AI 写代码，只能解决一小段效率问题。真正拖慢研发的，往往不是代码写得慢，而是需求没说清、边界没想全、测试补得晚、文档跟不上。问题不是没做事，而是每一步都在补前一步的缺口。 这条链路的核心不是自动化，而是可控。每一步都有输入、有输出、有检查点，也都允许人随时介入确认。AI 能力越强，越需要这样的链路来承接它。 最后要做到的不是让 AI 替我们完成研发，而是让 AI 稳定地参与研发。让需求有依据，方案有约束，测试有反馈，文档有沉淀。这样提效才不是一次性的，而是可以持续复用的。 七、本文用到的 Skill 这套链路里主要用到了下面这些 Skill： Skill 作用 requirement-analysis 梳理需求，把零散信息整理成可执行需求文档 grill-with-docs 拷问需求边界、异常场景、权限和风险 tdd 用测试先行的方式实现核心逻辑 testing-vue-vitest 补齐 Vue 3 + Vitest 单元测试和组件测试 code-review 做代码审查，提前发现质量和风险问题 diagnose 遇到复杂 bug 或性能问题时，按复现、假设、验证、修复、回归的流程定位问题 testcase-excel 生成测试用例 Excel ，方便导入测试管理平台 feature-doc-maintainer 根据最终实现更新功能文档 如果你也想把这些 Skill 放到自己的项目里，可以参考我整理的 Git 仓库： Git 地址： https://github.com/535803710/ai-rd-skills 这些 Skill 不是固定答案，更像一套可以继续调整的流程模板。真正落地时，建议根据自己团队的项目结构、测试规范和文档习惯做一轮改造。
转生到 AI 时代，我不再相信一键生成代码的传说 省流（ TL;DR ） 核心问题 ：不是 AI 不会写代码，而是需求、边界、测试、文档没准备好就让它开写，代码「看起来能用、后面难改」。 做法 ：用一串 Skill 把 AI 放进完整研发链路 —— 先收集上下文，再梳理需求、拷问边界、出轻量方案，然后 TDD 实现、补测试、做 review 、本地走查、导出用例、更新文档。 流程特点 ：10 步有顺序，但可在需求、方案、审查、走查、文档等环节 回退修正 ，越早改成本越低。 人的角色 ：AI 负责整理和生成， 取舍、验收、能不能合 仍要人判断；目标是 可控、可复用 ，不是一次性提速。 ⏲️建议阅读时间: 10min 转生到 AI 研发时代，我不再迷信“许愿式编程”，而是把 AI 放进需求、开发、测试和文档这一整条研发链路里。 一、为什么 AI 的代码总是很难维护？ 很多人用 AI 写代码，第一步就是把需求丢进去，让它直接生成。 刚开始确实很爽，速度快，效果也像那么回事。但接到真实项目里，问题就来了：写法和项目不一致、权限漏了、边界没处理、异常场景没考虑，测试也跟不上。 这些代码最麻烦的地方是“看起来能用，但后面难改”。因为它不是基于完整上下文写出来的，而是基于一段临时描述生成的。需求没说清，AI 就只能猜；项目约束没给够，AI 就按自己的习惯写。 所以很多时候，不是 AI 写代码不行，而是我们让它太早开始写代码了。需求、边界、方案、测试点都没准备好，就让 AI 开始实现，最后生成得越快，返工也越快。 二、我的整体链路 收集需求和项目上下文 使用 /requirement skill 梳理需求 使用 /grillwithdoc skill 拷问需求、边界和风险 输出轻量技术实现说明 使用 /TDD skill 实现核心逻辑 使用 /testing skill 补齐单元测试/组件测试 使用 /code review skill 做代码审查 本地运行，人工走查核心流程 使用 /testcase skill 输出 Excel ，用于导入 Transcend 项目管理平台 使用 /feature-doc-maintainer 更新文档 这条链路不是只能从 1 走到 10 的直线流程。 主流程顺序推进，但在需求拷问、技术方案、代码审查、本地走查和文档更新阶段，都可能回退到前面的步骤。发现问题就回到前面修正，越早改，成本越低。 第一步：先收集上下文，再让 AI 工作 不要一上来就让 AI 写需求、写方案或者写代码。因为在上下文不完整的情况下，AI 很容易给出看起来完整、但实际一坨的结果。 所以第一步是先把和需求相关的信息整理出来，比如原始需求、历史文档、相似功能、接口说明、权限规则等。尤其是已有的 相似功能 很重要，它能让 AI 参考项目里真实的写法，而不是重新发明一套方案。 上下文准备清楚了之后接下来就可以轻松的走下面的流程了，但是如果一开始信息有误，那很可能会在错误的基础上进行。 第二步：用 /requirement skill 梳理需求 上下文准备好之后，不要急着进入开发。先用 /requirement skill 把需求过一遍。 这一步主要是把零散的信息整理成结构化内容，比如功能目标是什么、给谁用、核心流程怎么走、涉及哪些字段和状态、权限规则是什么。 这里要特别注意未确认问题或者是当前没有想明白的地方，一定要先用 TODO 标记出来后面找人确认。 整理完后，基本能产出一个可执行的需求文档，能够明确整体方向了。后面我们还会用 grillwithdoc 来敲定细节 这里产出的时候记得选 plan 模式 第三步：用 /grillwithdoc skill 拷问需求 有了需求文档之后，不要马上认定它就是对的。这个时候可以用 /grillwithdoc skill 再拷问一遍。 🥚使用 plan 模式的话 有 对话框 可以一次一次确认 这一步主要是检查需求有没有说清楚，比如边界在哪里、哪些场景不做、异常情况怎么处理、权限和数据范围有没有影响、按钮控制是不是完整。很多问题在正常流程里看不出来，只有换个角度追问，才会暴露出来。 这个 /grillwithdoc skill 很强，基本能把所有边界和细节明确的的很清楚。 拷问完成之后就能够得到一份宝贵的确认好细节的需求文档了 第四步：输出轻量技术实现说明 需求细节确认完之后，就可以开始看怎么实现了。 这里不建议一上来写很重的技术方案，太长了没人看，后面也不一定维护。我的做法是输出一份轻量技术实现说明，把关键内容讲清楚就行。 这一步的价值是让后面的开发有一个明确方向。特别是多人协作或者需求比较复杂的时候，有一份轻量说明，后面写代码、补测试、做 review 都会顺很多。 如果需求很简单，或者已经很明确了，这一步也可以省略，后期少维护一个文档👍 第五步：用 /TDD skill 实现核心逻辑 技术实现说明确定之后，就可以开始写代码了。 使用 /TDD skill 先处理核心逻辑。不要直接让 AI 上来一顿写，最好先让它拆出核心行为，然后先写测试，再实现代码。 这样做的好处是能限制 AI 的自由发挥。测试先写出来，AI 后面的实现就要围绕这些行为来做，不容易写偏。 /TDD skill 更适合用在核心逻辑、状态流转、工具函数、关键业务规则这些地方。如果是纯页面样式或者很简单的展示逻辑，就没必要硬套 TDD 。该轻就轻，不要把流程搞复杂。 第六步：用 /Testing Vue Vitest skill 补齐测试 TDD 做完之后，不代表测试就完成了。 TDD 更关注核心逻辑有没有写对，但页面交互、组件行为、异常分支、权限显隐这些，很可能还没有覆盖到。所以后面还要用 /testing skill 再补一轮。 补测试的时候也要结合最终代码看，不能只根据需求文档生成。否则测试看起来很多，但可能测不到真正关键的地方。 /Testing Vue Vitest skill 这个也包含了页面 UI 的 单元测试 第七步：用 /code review skill 做代码审查 代码和测试写完之后。这个时候可以用 /code review skill 再过一遍。 /code review skill 也适合用来发现一些容易忽略的问题，比如重复逻辑、边界处理不完整、测试没覆盖到关键场景等。 会按照优先级输出一份质量报告 不过这里还是要注意，AI review 只能作为提前检查。最后这个代码能不能合进去，还是要人自己判断。 第八步：本地运行和人工走查 review 完之后，一定要本地跑一下。 尤其是前端功能，不能只看代码和测试。页面能不能打开、搜索分页有没有问题、新增编辑删除是否正常、弹窗回显对不对、错误提示是否合理、权限按钮有没有按预期显示，这些都要实际走一遍。 这一步纯体力活，就是人工验收。AI 可以帮你写代码、补测试、做 review ，但它不能替你真实使用一遍功能。 如果本地走查发现问题，就回到前面的步骤修。不要因为流程已经走到第八步了，就硬往后推进。 第九步：用 /testcase skill 输出测试用例 Excel 本地走查通过之后，就可以开始整理测试用例了。 这里我会用 /testcase skill 输出测试用例 Excel 。它不是只根据最开始的需求生成，而是结合需求文档、技术实现说明、最终代码改动、已有测试点和本地走查结果一起生成。 这样出来的用例会更贴近真实功能，不容易写出那种看起来很完整、但测不到重点的内容。 我们当前是把 Excel 导入 Transcend 项目管理平台。或者交付给测试，让测试评估。 第十步：用 /feature-doc-maintainer 更新文档 最后一步是更新文档。 这里的文档主要是仓库内和功能强相关的文档，比如功能说明、权限规则、接口变化、操作流程、已知限制、测试说明等。不是为了补一篇很正式的文档，而是把最终实现沉淀下来。 很多时候文档只停留在需求阶段，后面代码改了，文档没跟上。时间一长，下一次再改这个功能，又要重新理解一遍。 所以我会在链路最后用 /feature-doc-maintainer 做一次同步，把最终实现和关键说明补回去。这样这次工作的结果，不只停留在代码里，也能给后面的人（ AI ）继续用。 三、人的判断点 做正确的事，比正确地做事更重要。 这套链路虽然用了很多 Skill ，但核心判断不能完全交给 AI 。 AI 可以帮我们整理信息、生成内容、补齐测试、做初步审查，但需求取舍、技术判断、测试评估和最终验收，还是要人来负责。 需求阶段：需要判断方向是否成立，哪些范围要做，哪些先不做，哪些问题必须找产品或负责人确认。AI 可以把问题列出来，但不能替我们做取舍。 代码和测试阶段：需要判断代码是否符合项目现状，改动成本是否可以接受，测试是否真的覆盖了关键风险。代码能不能合进去、测试用例有没有价值，最后还是要人来判断。 所以这条链路不是让 AI 替代人，而是让人从重复整理、补充、检查这些工作里抽出来，把精力放在更重要的判断和取舍上。AI 负责把材料准备好，人负责判断这些东西是不是对的、能不能用。 四、这套链路带来的变化 这套链路最大的变化，不是某一步突然快了多少，而是整个过程变得更稳了。 需求问题更早暴露 通过 /requirement skill 和 * /grillwithdoc skill *，很多边界、权限、异常场景可以在开发前先暴露出来，避免一边写代码一边补需求。 AI 输出更可控 每一步都有明确输入和输出，不是让 AI 自由发挥。需求、方案、代码、测试、文档都能串起来，结果也更容易检查。 返工更少 问题越早发现，修改成本越低。需求和方案阶段能解决的问题，就不要拖到代码写完之后再改。 测试更有依据 测试不再是最后临时补，而是基于需求、实现、代码改动和本地走查结果生成，更贴近真实风险。 测试用例能进入协作流程 通过 /testcase skill 输出 Excel ，可以导入 Transcend ，或者交给测试评估，不再只是本地文件。 文档能同步更新 最后用 /feature-doc-maintainer 把最终实现、权限规则、接口变化、已知限制补回去，方便后续维护，也方便 AI 继续理解上下文。 🧠人更专注判断和取舍 人负责确认方向、筛选结果和最终验收。 五、实践中的注意点 需求：先用 Plan 模式，不要直接执行 需求阶段尽量用 Plan 模式，让 AI 先问问题、拆边界、列 TODO 。 这个阶段不要急着生成代码，重点是把方向、范围、不做项先确认清楚。 代码：先用 Opus 4.7 计划，再用 Composer 2.5 执行 复杂需求可以先用 Opus 4.7 做方案和拆解，让它把改动范围、核心逻辑、风险点先列出来。 确认方向没问题后，再用 Composer 2.5 按计划执行代码修改。 这样比直接让执行模型上来改代码更稳，也更容易控制改动范围。 测试：先测核心路径，再补边界场景 不要一开始就追求测试很全。 先让 AI 覆盖核心流程，确认主路径能跑通，再补权限、异常、空数据、搜索分页、弹窗回显这些边界场景。 测试用例也要人工筛一下，没价值的不要硬留。 文档：最后再更新，基于最终实现写 文档不要太早定稿。 前面需求、代码、测试都会调整，最好在本地走查和 review 之后，再用 /feature-doc-maintainer 更新。 重点写最终实现、权限规则、接口变化、已知限制，不要写成很重的说明书。 六、总结 回到最开始的问题，为什么要把这套实践融入研发链路？ 因为单纯让 AI 写代码，只能解决一小段效率问题。真正拖慢研发的，往往不是代码写得慢，而是需求没说清、边界没想全、测试补得晚、文档跟不上。问题不是没做事，而是每一步都在补前一步的缺口。 这条链路的核心不是自动化，而是可控。每一步都有输入、有输出、有检查点，也都允许人随时介入确认。AI 能力越强，越需要这样的链路来承接它。 最后要做到的不是让 AI 替我们完成研发，而是让 AI 稳定地参与研发。让需求有依据，方案有约束，测试有反馈，文档有沉淀。这样提效才不是一次性的，而是可以持续复用的。 七、本文用到的 Skill 这套链路里主要用到了下面这些 Skill： Skill 作用 requirement-analysis 梳理需求，把零散信息整理成可执行需求文档 grill-with-docs 拷问需求边界、异常场景、权限和风险 tdd 用测试先行的方式实现核心逻辑 testing-vue-vitest 补齐 Vue 3 + Vitest 单元测试和组件测试 code-review 做代码审查，提前发现质量和风险问题 diagnose 遇到复杂 bug 或性能问题时，按复现、假设、验证、修复、回归的流程定位问题 testcase-excel 生成测试用例 Excel ，方便导入测试管理平台 feature-doc-maintainer 根据最终实现更新功能文档 如果你也想把这些 Skill 放到自己的项目里，可以参考我整理的 Git 仓库： Git 地址： https://github.com/535803710/ai-rd-skills 这些 Skill 不是固定答案，更像一套可以继续调整的流程模板。真正落地时，建议根据自己团队的项目结构、测试规范和文档习惯做一轮改造。
转生到 AI 时代，我不再相信一键生成代码的传说 省流（ TL;DR ） 核心问题 ：不是 AI 不会写代码，而是需求、边界、测试、文档没准备好就让它开写，代码「看起来能用、后面难改」。 做法 ：用一串 Skill 把 AI 放进完整研发链路 —— 先收集上下文，再梳理需求、拷问边界、出轻量方案，然后 TDD 实现、补测试、做 review 、本地走查、导出用例、更新文档。 流程特点 ：10 步有顺序，但可在需求、方案、审查、走查、文档等环节 回退修正 ，越早改成本越低。 人的角色 ：AI 负责整理和生成， 取舍、验收、能不能合 仍要人判断；目标是 可控、可复用 ，不是一次性提速。 ⏲️建议阅读时间: 10min 转生到 AI 研发时代，我不再迷信“许愿式编程”，而是把 AI 放进需求、开发、测试和文档这一整条研发链路里。 一、为什么 AI 的代码总是很难维护？ 很多人用 AI 写代码，第一步就是把需求丢进去，让它直接生成。 刚开始确实很爽，速度快，效果也像那么回事。但接到真实项目里，问题就来了：写法和项目不一致、权限漏了、边界没处理、异常场景没考虑，测试也跟不上。 这些代码最麻烦的地方是“看起来能用，但后面难改”。因为它不是基于完整上下文写出来的，而是基于一段临时描述生成的。需求没说清，AI 就只能猜；项目约束没给够，AI 就按自己的习惯写。 所以很多时候，不是 AI 写代码不行，而是我们让它太早开始写代码了。需求、边界、方案、测试点都没准备好，就让 AI 开始实现，最后生成得越快，返工也越快。 二、我的整体链路 收集需求和项目上下文 使用 /requirement skill 梳理需求 使用 /grillwithdoc skill 拷问需求、边界和风险 输出轻量技术实现说明 使用 /TDD skill 实现核心逻辑 使用 /testing skill 补齐单元测试/组件测试 使用 /code review skill 做代码审查 本地运行，人工走查核心流程 使用 /testcase skill 输出 Excel ，用于导入 Transcend 项目管理平台 使用 /feature-doc-maintainer 更新文档 这条链路不是只能从 1 走到 10 的直线流程。 主流程顺序推进，但在需求拷问、技术方案、代码审查、本地走查和文档更新阶段，都可能回退到前面的步骤。发现问题就回到前面修正，越早改，成本越低。 第一步：先收集上下文，再让 AI 工作 不要一上来就让 AI 写需求、写方案或者写代码。因为在上下文不完整的情况下，AI 很容易给出看起来完整、但实际一坨的结果。 所以第一步是先把和需求相关的信息整理出来，比如原始需求、历史文档、相似功能、接口说明、权限规则等。尤其是已有的 相似功能 很重要，它能让 AI 参考项目里真实的写法，而不是重新发明一套方案。 上下文准备清楚了之后接下来就可以轻松的走下面的流程了，但是如果一开始信息有误，那很可能会在错误的基础上进行。 第二步：用 /requirement skill 梳理需求 上下文准备好之后，不要急着进入开发。先用 /requirement skill 把需求过一遍。 这一步主要是把零散的信息整理成结构化内容，比如功能目标是什么、给谁用、核心流程怎么走、涉及哪些字段和状态、权限规则是什么。 这里要特别注意未确认问题或者是当前没有想明白的地方，一定要先用 TODO 标记出来后面找人确认。 整理完后，基本能产出一个可执行的需求文档，能够明确整体方向了。后面我们还会用 grillwithdoc 来敲定细节 这里产出的时候记得选 plan 模式 第三步：用 /grillwithdoc skill 拷问需求 有了需求文档之后，不要马上认定它就是对的。这个时候可以用 /grillwithdoc skill 再拷问一遍。 🥚使用 plan 模式的话 有 对话框 可以一次一次确认 这一步主要是检查需求有没有说清楚，比如边界在哪里、哪些场景不做、异常情况怎么处理、权限和数据范围有没有影响、按钮控制是不是完整。很多问题在正常流程里看不出来，只有换个角度追问，才会暴露出来。 这个 /grillwithdoc skill 很强，基本能把所有边界和细节明确的的很清楚。 拷问完成之后就能够得到一份宝贵的确认好细节的需求文档了 第四步：输出轻量技术实现说明 需求细节确认完之后，就可以开始看怎么实现了。 这里不建议一上来写很重的技术方案，太长了没人看，后面也不一定维护。我的做法是输出一份轻量技术实现说明，把关键内容讲清楚就行。 这一步的价值是让后面的开发有一个明确方向。特别是多人协作或者需求比较复杂的时候，有一份轻量说明，后面写代码、补测试、做 review 都会顺很多。 如果需求很简单，或者已经很明确了，这一步也可以省略，后期少维护一个文档👍 第五步：用 /TDD skill 实现核心逻辑 技术实现说明确定之后，就可以开始写代码了。 使用 /TDD skill 先处理核心逻辑。不要直接让 AI 上来一顿写，最好先让它拆出核心行为，然后先写测试，再实现代码。 这样做的好处是能限制 AI 的自由发挥。测试先写出来，AI 后面的实现就要围绕这些行为来做，不容易写偏。 /TDD skill 更适合用在核心逻辑、状态流转、工具函数、关键业务规则这些地方。如果是纯页面样式或者很简单的展示逻辑，就没必要硬套 TDD 。该轻就轻，不要把流程搞复杂。 第六步：用 /Testing Vue Vitest skill 补齐测试 TDD 做完之后，不代表测试就完成了。 TDD 更关注核心逻辑有没有写对，但页面交互、组件行为、异常分支、权限显隐这些，很可能还没有覆盖到。所以后面还要用 /testing skill 再补一轮。 补测试的时候也要结合最终代码看，不能只根据需求文档生成。否则测试看起来很多，但可能测不到真正关键的地方。 /Testing Vue Vitest skill 这个也包含了页面 UI 的 单元测试 第七步：用 /code review skill 做代码审查 代码和测试写完之后。这个时候可以用 /code review skill 再过一遍。 /code review skill 也适合用来发现一些容易忽略的问题，比如重复逻辑、边界处理不完整、测试没覆盖到关键场景等。 会按照优先级输出一份质量报告 不过这里还是要注意，AI review 只能作为提前检查。最后这个代码能不能合进去，还是要人自己判断。 第八步：本地运行和人工走查 review 完之后，一定要本地跑一下。 尤其是前端功能，不能只看代码和测试。页面能不能打开、搜索分页有没有问题、新增编辑删除是否正常、弹窗回显对不对、错误提示是否合理、权限按钮有没有按预期显示，这些都要实际走一遍。 这一步纯体力活，就是人工验收。AI 可以帮你写代码、补测试、做 review ，但它不能替你真实使用一遍功能。 如果本地走查发现问题，就回到前面的步骤修。不要因为流程已经走到第八步了，就硬往后推进。 第九步：用 /testcase skill 输出测试用例 Excel 本地走查通过之后，就可以开始整理测试用例了。 这里我会用 /testcase skill 输出测试用例 Excel 。它不是只根据最开始的需求生成，而是结合需求文档、技术实现说明、最终代码改动、已有测试点和本地走查结果一起生成。 这样出来的用例会更贴近真实功能，不容易写出那种看起来很完整、但测不到重点的内容。 我们当前是把 Excel 导入 Transcend 项目管理平台。或者交付给测试，让测试评估。 第十步：用 /feature-doc-maintainer 更新文档 最后一步是更新文档。 这里的文档主要是仓库内和功能强相关的文档，比如功能说明、权限规则、接口变化、操作流程、已知限制、测试说明等。不是为了补一篇很正式的文档，而是把最终实现沉淀下来。 很多时候文档只停留在需求阶段，后面代码改了，文档没跟上。时间一长，下一次再改这个功能，又要重新理解一遍。 所以我会在链路最后用 /feature-doc-maintainer 做一次同步，把最终实现和关键说明补回去。这样这次工作的结果，不只停留在代码里，也能给后面的人（ AI ）继续用。 三、人的判断点 做正确的事，比正确地做事更重要。 这套链路虽然用了很多 Skill ，但核心判断不能完全交给 AI 。 AI 可以帮我们整理信息、生成内容、补齐测试、做初步审查，但需求取舍、技术判断、测试评估和最终验收，还是要人来负责。 需求阶段：需要判断方向是否成立，哪些范围要做，哪些先不做，哪些问题必须找产品或负责人确认。AI 可以把问题列出来，但不能替我们做取舍。 代码和测试阶段：需要判断代码是否符合项目现状，改动成本是否可以接受，测试是否真的覆盖了关键风险。代码能不能合进去、测试用例有没有价值，最后还是要人来判断。 所以这条链路不是让 AI 替代人，而是让人从重复整理、补充、检查这些工作里抽出来，把精力放在更重要的判断和取舍上。AI 负责把材料准备好，人负责判断这些东西是不是对的、能不能用。 四、这套链路带来的变化 这套链路最大的变化，不是某一步突然快了多少，而是整个过程变得更稳了。 需求问题更早暴露 通过 /requirement skill 和 * /grillwithdoc skill *，很多边界、权限、异常场景可以在开发前先暴露出来，避免一边写代码一边补需求。 AI 输出更可控 每一步都有明确输入和输出，不是让 AI 自由发挥。需求、方案、代码、测试、文档都能串起来，结果也更容易检查。 返工更少 问题越早发现，修改成本越低。需求和方案阶段能解决的问题，就不要拖到代码写完之后再改。 测试更有依据 测试不再是最后临时补，而是基于需求、实现、代码改动和本地走查结果生成，更贴近真实风险。 测试用例能进入协作流程 通过 /testcase skill 输出 Excel ，可以导入 Transcend ，或者交给测试评估，不再只是本地文件。 文档能同步更新 最后用 /feature-doc-maintainer 把最终实现、权限规则、接口变化、已知限制补回去，方便后续维护，也方便 AI 继续理解上下文。 🧠人更专注判断和取舍 人负责确认方向、筛选结果和最终验收。 五、实践中的注意点 需求：先用 Plan 模式，不要直接执行 需求阶段尽量用 Plan 模式，让 AI 先问问题、拆边界、列 TODO 。 这个阶段不要急着生成代码，重点是把方向、范围、不做项先确认清楚。 代码：先用 Opus 4.7 计划，再用 Composer 2.5 执行 复杂需求可以先用 Opus 4.7 做方案和拆解，让它把改动范围、核心逻辑、风险点先列出来。 确认方向没问题后，再用 Composer 2.5 按计划执行代码修改。 这样比直接让执行模型上来改代码更稳，也更容易控制改动范围。 测试：先测核心路径，再补边界场景 不要一开始就追求测试很全。 先让 AI 覆盖核心流程，确认主路径能跑通，再补权限、异常、空数据、搜索分页、弹窗回显这些边界场景。 测试用例也要人工筛一下，没价值的不要硬留。 文档：最后再更新，基于最终实现写 文档不要太早定稿。 前面需求、代码、测试都会调整，最好在本地走查和 review 之后，再用 /feature-doc-maintainer 更新。 重点写最终实现、权限规则、接口变化、已知限制，不要写成很重的说明书。 六、总结 回到最开始的问题，为什么要把这套实践融入研发链路？ 因为单纯让 AI 写代码，只能解决一小段效率问题。真正拖慢研发的，往往不是代码写得慢，而是需求没说清、边界没想全、测试补得晚、文档跟不上。问题不是没做事，而是每一步都在补前一步的缺口。 这条链路的核心不是自动化，而是可控。每一步都有输入、有输出、有检查点，也都允许人随时介入确认。AI 能力越强，越需要这样的链路来承接它。 最后要做到的不是让 AI 替我们完成研发，而是让 AI 稳定地参与研发。让需求有依据，方案有约束，测试有反馈，文档有沉淀。这样提效才不是一次性的，而是可以持续复用的。 七、本文用到的 Skill 这套链路里主要用到了下面这些 Skill： Skill 作用 requirement-analysis 梳理需求，把零散信息整理成可执行需求文档 grill-with-docs 拷问需求边界、异常场景、权限和风险 tdd 用测试先行的方式实现核心逻辑 testing-vue-vitest 补齐 Vue 3 + Vitest 单元测试和组件测试 code-review 做代码审查，提前发现质量和风险问题 diagnose 遇到复杂 bug 或性能问题时，按复现、假设、验证、修复、回归的流程定位问题 testcase-excel 生成测试用例 Excel ，方便导入测试管理平台 feature-doc-maintainer 根据最终实现更新功能文档 如果你也想把这些 Skill 放到自己的项目里，可以参考我整理的 Git 仓库： Git 地址： https://github.com/535803710/ai-rd-skills 这些 Skill 不是固定答案，更像一套可以继续调整的流程模板。真正落地时，建议根据自己团队的项目结构、测试规范和文档习惯做一轮改造。
转生到 AI 时代，我不再相信一键生成代码的传说 省流（ TL;DR ） 核心问题 ：不是 AI 不会写代码，而是需求、边界、测试、文档没准备好就让它开写，代码「看起来能用、后面难改」。 做法 ：用一串 Skill 把 AI 放进完整研发链路 —— 先收集上下文，再梳理需求、拷问边界、出轻量方案，然后 TDD 实现、补测试、做 review 、本地走查、导出用例、更新文档。 流程特点 ：10 步有顺序，但可在需求、方案、审查、走查、文档等环节 回退修正 ，越早改成本越低。 人的角色 ：AI 负责整理和生成， 取舍、验收、能不能合 仍要人判断；目标是 可控、可复用 ，不是一次性提速。 ⏲️建议阅读时间: 10min 转生到 AI 研发时代，我不再迷信“许愿式编程”，而是把 AI 放进需求、开发、测试和文档这一整条研发链路里。 一、为什么 AI 的代码总是很难维护？ 很多人用 AI 写代码，第一步就是把需求丢进去，让它直接生成。 刚开始确实很爽，速度快，效果也像那么回事。但接到真实项目里，问题就来了：写法和项目不一致、权限漏了、边界没处理、异常场景没考虑，测试也跟不上。 这些代码最麻烦的地方是“看起来能用，但后面难改”。因为它不是基于完整上下文写出来的，而是基于一段临时描述生成的。需求没说清，AI 就只能猜；项目约束没给够，AI 就按自己的习惯写。 所以很多时候，不是 AI 写代码不行，而是我们让它太早开始写代码了。需求、边界、方案、测试点都没准备好，就让 AI 开始实现，最后生成得越快，返工也越快。 二、我的整体链路 收集需求和项目上下文 使用 /requirement skill 梳理需求 使用 /grillwithdoc skill 拷问需求、边界和风险 输出轻量技术实现说明 使用 /TDD skill 实现核心逻辑 使用 /testing skill 补齐单元测试/组件测试 使用 /code review skill 做代码审查 本地运行，人工走查核心流程 使用 /testcase skill 输出 Excel ，用于导入 Transcend 项目管理平台 使用 /feature-doc-maintainer 更新文档 这条链路不是只能从 1 走到 10 的直线流程。 主流程顺序推进，但在需求拷问、技术方案、代码审查、本地走查和文档更新阶段，都可能回退到前面的步骤。发现问题就回到前面修正，越早改，成本越低。 第一步：先收集上下文，再让 AI 工作 不要一上来就让 AI 写需求、写方案或者写代码。因为在上下文不完整的情况下，AI 很容易给出看起来完整、但实际一坨的结果。 所以第一步是先把和需求相关的信息整理出来，比如原始需求、历史文档、相似功能、接口说明、权限规则等。尤其是已有的 相似功能 很重要，它能让 AI 参考项目里真实的写法，而不是重新发明一套方案。 上下文准备清楚了之后接下来就可以轻松的走下面的流程了，但是如果一开始信息有误，那很可能会在错误的基础上进行。 第二步：用 /requirement skill 梳理需求 上下文准备好之后，不要急着进入开发。先用 /requirement skill 把需求过一遍。 这一步主要是把零散的信息整理成结构化内容，比如功能目标是什么、给谁用、核心流程怎么走、涉及哪些字段和状态、权限规则是什么。 这里要特别注意未确认问题或者是当前没有想明白的地方，一定要先用 TODO 标记出来后面找人确认。 整理完后，基本能产出一个可执行的需求文档，能够明确整体方向了。后面我们还会用 grillwithdoc 来敲定细节 这里产出的时候记得选 plan 模式 第三步：用 /grillwithdoc skill 拷问需求 有了需求文档之后，不要马上认定它就是对的。这个时候可以用 /grillwithdoc skill 再拷问一遍。 🥚使用 plan 模式的话 有 对话框 可以一次一次确认 这一步主要是检查需求有没有说清楚，比如边界在哪里、哪些场景不做、异常情况怎么处理、权限和数据范围有没有影响、按钮控制是不是完整。很多问题在正常流程里看不出来，只有换个角度追问，才会暴露出来。 这个 /grillwithdoc skill 很强，基本能把所有边界和细节明确的的很清楚。 拷问完成之后就能够得到一份宝贵的确认好细节的需求文档了 第四步：输出轻量技术实现说明 需求细节确认完之后，就可以开始看怎么实现了。 这里不建议一上来写很重的技术方案，太长了没人看，后面也不一定维护。我的做法是输出一份轻量技术实现说明，把关键内容讲清楚就行。 这一步的价值是让后面的开发有一个明确方向。特别是多人协作或者需求比较复杂的时候，有一份轻量说明，后面写代码、补测试、做 review 都会顺很多。 如果需求很简单，或者已经很明确了，这一步也可以省略，后期少维护一个文档👍 第五步：用 /TDD skill 实现核心逻辑 技术实现说明确定之后，就可以开始写代码了。 使用 /TDD skill 先处理核心逻辑。不要直接让 AI 上来一顿写，最好先让它拆出核心行为，然后先写测试，再实现代码。 这样做的好处是能限制 AI 的自由发挥。测试先写出来，AI 后面的实现就要围绕这些行为来做，不容易写偏。 /TDD skill 更适合用在核心逻辑、状态流转、工具函数、关键业务规则这些地方。如果是纯页面样式或者很简单的展示逻辑，就没必要硬套 TDD 。该轻就轻，不要把流程搞复杂。 第六步：用 /Testing Vue Vitest skill 补齐测试 TDD 做完之后，不代表测试就完成了。 TDD 更关注核心逻辑有没有写对，但页面交互、组件行为、异常分支、权限显隐这些，很可能还没有覆盖到。所以后面还要用 /testing skill 再补一轮。 补测试的时候也要结合最终代码看，不能只根据需求文档生成。否则测试看起来很多，但可能测不到真正关键的地方。 /Testing Vue Vitest skill 这个也包含了页面 UI 的 单元测试 第七步：用 /code review skill 做代码审查 代码和测试写完之后。这个时候可以用 /code review skill 再过一遍。 /code review skill 也适合用来发现一些容易忽略的问题，比如重复逻辑、边界处理不完整、测试没覆盖到关键场景等。 会按照优先级输出一份质量报告 不过这里还是要注意，AI review 只能作为提前检查。最后这个代码能不能合进去，还是要人自己判断。 第八步：本地运行和人工走查 review 完之后，一定要本地跑一下。 尤其是前端功能，不能只看代码和测试。页面能不能打开、搜索分页有没有问题、新增编辑删除是否正常、弹窗回显对不对、错误提示是否合理、权限按钮有没有按预期显示，这些都要实际走一遍。 这一步纯体力活，就是人工验收。AI 可以帮你写代码、补测试、做 review ，但它不能替你真实使用一遍功能。 如果本地走查发现问题，就回到前面的步骤修。不要因为流程已经走到第八步了，就硬往后推进。 第九步：用 /testcase skill 输出测试用例 Excel 本地走查通过之后，就可以开始整理测试用例了。 这里我会用 /testcase skill 输出测试用例 Excel 。它不是只根据最开始的需求生成，而是结合需求文档、技术实现说明、最终代码改动、已有测试点和本地走查结果一起生成。 这样出来的用例会更贴近真实功能，不容易写出那种看起来很完整、但测不到重点的内容。 我们当前是把 Excel 导入 Transcend 项目管理平台。或者交付给测试，让测试评估。 第十步：用 /feature-doc-maintainer 更新文档 最后一步是更新文档。 这里的文档主要是仓库内和功能强相关的文档，比如功能说明、权限规则、接口变化、操作流程、已知限制、测试说明等。不是为了补一篇很正式的文档，而是把最终实现沉淀下来。 很多时候文档只停留在需求阶段，后面代码改了，文档没跟上。时间一长，下一次再改这个功能，又要重新理解一遍。 所以我会在链路最后用 /feature-doc-maintainer 做一次同步，把最终实现和关键说明补回去。这样这次工作的结果，不只停留在代码里，也能给后面的人（ AI ）继续用。 三、人的判断点 做正确的事，比正确地做事更重要。 这套链路虽然用了很多 Skill ，但核心判断不能完全交给 AI 。 AI 可以帮我们整理信息、生成内容、补齐测试、做初步审查，但需求取舍、技术判断、测试评估和最终验收，还是要人来负责。 需求阶段：需要判断方向是否成立，哪些范围要做，哪些先不做，哪些问题必须找产品或负责人确认。AI 可以把问题列出来，但不能替我们做取舍。 代码和测试阶段：需要判断代码是否符合项目现状，改动成本是否可以接受，测试是否真的覆盖了关键风险。代码能不能合进去、测试用例有没有价值，最后还是要人来判断。 所以这条链路不是让 AI 替代人，而是让人从重复整理、补充、检查这些工作里抽出来，把精力放在更重要的判断和取舍上。AI 负责把材料准备好，人负责判断这些东西是不是对的、能不能用。 四、这套链路带来的变化 这套链路最大的变化，不是某一步突然快了多少，而是整个过程变得更稳了。 需求问题更早暴露 通过 /requirement skill 和 * /grillwithdoc skill *，很多边界、权限、异常场景可以在开发前先暴露出来，避免一边写代码一边补需求。 AI 输出更可控 每一步都有明确输入和输出，不是让 AI 自由发挥。需求、方案、代码、测试、文档都能串起来，结果也更容易检查。 返工更少 问题越早发现，修改成本越低。需求和方案阶段能解决的问题，就不要拖到代码写完之后再改。 测试更有依据 测试不再是最后临时补，而是基于需求、实现、代码改动和本地走查结果生成，更贴近真实风险。 测试用例能进入协作流程 通过 /testcase skill 输出 Excel ，可以导入 Transcend ，或者交给测试评估，不再只是本地文件。 文档能同步更新 最后用 /feature-doc-maintainer 把最终实现、权限规则、接口变化、已知限制补回去，方便后续维护，也方便 AI 继续理解上下文。 🧠人更专注判断和取舍 人负责确认方向、筛选结果和最终验收。 五、实践中的注意点 需求：先用 Plan 模式，不要直接执行 需求阶段尽量用 Plan 模式，让 AI 先问问题、拆边界、列 TODO 。 这个阶段不要急着生成代码，重点是把方向、范围、不做项先确认清楚。 代码：先用 Opus 4.7 计划，再用 Composer 2.5 执行 复杂需求可以先用 Opus 4.7 做方案和拆解，让它把改动范围、核心逻辑、风险点先列出来。 确认方向没问题后，再用 Composer 2.5 按计划执行代码修改。 这样比直接让执行模型上来改代码更稳，也更容易控制改动范围。 测试：先测核心路径，再补边界场景 不要一开始就追求测试很全。 先让 AI 覆盖核心流程，确认主路径能跑通，再补权限、异常、空数据、搜索分页、弹窗回显这些边界场景。 测试用例也要人工筛一下，没价值的不要硬留。 文档：最后再更新，基于最终实现写 文档不要太早定稿。 前面需求、代码、测试都会调整，最好在本地走查和 review 之后，再用 /feature-doc-maintainer 更新。 重点写最终实现、权限规则、接口变化、已知限制，不要写成很重的说明书。 六、总结 回到最开始的问题，为什么要把这套实践融入研发链路？ 因为单纯让 AI 写代码，只能解决一小段效率问题。真正拖慢研发的，往往不是代码写得慢，而是需求没说清、边界没想全、测试补得晚、文档跟不上。问题不是没做事，而是每一步都在补前一步的缺口。 这条链路的核心不是自动化，而是可控。每一步都有输入、有输出、有检查点，也都允许人随时介入确认。AI 能力越强，越需要这样的链路来承接它。 最后要做到的不是让 AI 替我们完成研发，而是让 AI 稳定地参与研发。让需求有依据，方案有约束，测试有反馈，文档有沉淀。这样提效才不是一次性的，而是可以持续复用的。 七、本文用到的 Skill 这套链路里主要用到了下面这些 Skill： Skill 作用 requirement-analysis 梳理需求，把零散信息整理成可执行需求文档 grill-with-docs 拷问需求边界、异常场景、权限和风险 tdd 用测试先行的方式实现核心逻辑 testing-vue-vitest 补齐 Vue 3 + Vitest 单元测试和组件测试 code-review 做代码审查，提前发现质量和风险问题 diagnose 遇到复杂 bug 或性能问题时，按复现、假设、验证、修复、回归的流程定位问题 testcase-excel 生成测试用例 Excel ，方便导入测试管理平台 feature-doc-maintainer 根据最终实现更新功能文档 如果你也想把这些 Skill 放到自己的项目里，可以参考我整理的 Git 仓库： Git 地址： https://github.com/535803710/ai-rd-skills 这些 Skill 不是固定答案，更像一套可以继续调整的流程模板。真正落地时，建议根据自己团队的项目结构、测试规范和文档习惯做一轮改造。