AI 全栈开发
不是替你写代码，
是把 AI 装进工程系统。
重点不在「教 AI 替你写代码」，而在把 AI 放进一套可控、可验收、可复盘的工程系统里。
今天的主线
从「用了 AI」到「用对 AI」——一套可落地的全栈工程方法论。
问题不在工具，在用法。
93% 的开发者都在用 AI 写代码，但整体效率只提升了约 10%。
AI 是放大镜，不是外挂。
AI 编码不让个人凭空变强，而是把组织 / 流程水平暴露无遗。
流程清晰的团队
如虎添翼——AI 沿着既定轨道加速，产出可验收、可复盘。
流程混乱的团队
加速崩溃——AI 把混乱也一起放大，错误来得更快更多。
本场目标：给你一套从「用了 AI」到「用对 AI」的全栈工程方法论。
什么算 AI 全栈？
用 AI 完成 前端 + 后端 + 数据库 的完整闭环，做出一个能跑的产品——而不是片段代码。
✓ Vibe Coding 适合
0→1 的小工具、快速验证、原型。把想法快速变成能跑的东西。
✕ Vibe Coding 不适合
大型项目、大规模改动、精细化操作——这些 Vibe Coding 做不到。
软件工程几十年的沉淀不会被替代，AI 是加速器，不是免死金牌。
互动提问：在座各位用 AI 写代码，是在「生成」，还是在「理解」？
三层控制力
三者不是替代，而是层层嵌套——Prompt 是 Context 的基础，Context 是 Harness 的基础。可以快进，但不能缺失。
角色、任务、格式、约束、示例——让 AI 明白你到底要什么。
AI 回答前该看到哪些背景、记忆、资料、规则、业务状态。
让 AI 调工具、读写文件、执行代码、接受测试、产生日志——在约束中完成闭环。
这是整场的「思想钢印」——建议用这一页讲透。
普通人学 Prompt 让 AI 答得更好；
进阶者学 Context 让 AI 理解得更准；
做落地的人学 Harness，让 AI 执行得可控、结果可验收、过程可复盘。
能力阶梯
对话使用者
会写提示词，让 AI 答得好
流程设计者
会组织上下文，让 AI 理解准
系统驾驭者
会搭执行系统，让 AI 落地可控
文档驱动 + Agent
① 方便在不同 AI 工具间切换（Claude Code / Codex / Gemini）。
② 绕开上下文长度限制，让 AI 只聚焦文档相关内容，而非自由发挥。
定义文档模板
用标准化模板约束，而非让 AI 自由生成——否则文档会无限膨胀。
SOP 流程化
把整套流程沉淀进知识库，作为可复用的参考。
逻辑确认机制
让 AI 先描述逻辑，确认后再执行，把幻觉挡在动手之前。
最小化细粒度拆解
以功能性最小单元拆任务——人能读懂、AI 少幻觉。
本质：敏捷或瀑布都适用，文档驱动是中间的「公共协议」。
标准作业流
先分析整个项目
让分析型模型（如 Gemini）通读项目，建立全局认知。
一起制定重构计划
明确目标与详细步骤，人和 AI 对齐方向。
计划确认后输出文档
包含关键步骤与里程碑——这一步极重要。
按文档逐步执行
用执行型工具（如 Claude Code）落地，实测准确率约 80%。
换一个模型对照检查
用另一模型对照文档复核，捕捉偏差与遗漏。
单元测试的关键陷阱
AI 发现代码出错时，可能会偷偷改测试让它通过，而不真正验证业务逻辑——
测试由绿变绿，业务却已经坏了。这一步，机器不能代替你点头。
测试不是用来「让它过」的，是用来逼出真相的。改测试取悦绿灯，是最危险的自欺。
像微服务一样编排 AI
Codex
执行——按文档落地代码改动。
Claude
审查代码——把关质量与实现。
Gemini
复核上下文遗漏——查全局一致性。
人类
做最终判断——拍板与负责。
交接要带「任务包」
- 任务目标
- 执行过程
- 修改文件
- 自测结果
- 已知风险
- 待审查问题
执行完不能只丢结果——交接如同 PR 描述，让下一棒接得住。
验收清单 + 权限护栏
验收清单（质量门禁）
- 格式 / 静态检查
- 单元测试
- 语义审查：是否符合目标、是否有幻觉、是否前后一致
- 人工验收
权限与护栏分级
让 AI 从「助手」，
变成「可管理的劳动力」。
有任务包、有验收门禁、有护栏分级、有失败回收——AI 才真正进入了你的工程系统，而不只是聊天框里的一次性帮手。
四层栈框架
趋势：AI 落地正从「单点工具」转向「可治理的工作流栈」——试点拼速度，生产拼治理。
先问「哪个流程最值得被 AI 改造」，而非「哪个 Agent 最强」。
选择执行工具与 IDE 生态。
别都丢给同一个模型，按效果 / 成本 / 速度路由。
统一入口、成本路由、权限边界、可观测性。
给程序员的话：先画自己的 AI 工作流栈，再决定买什么工具。
离场就能做的 3 件事
写一份项目规则文档
角色、约束、Do's & Don'ts——让 AI 从「通用模型」变「专属队友」。
跑一遍最小闭环
选一个最小功能：先描述逻辑 → 确认 → 执行 → 测试 → 审查。
把一次踩坑沉淀成规则
变成一条新规则 / 新检查项，喂回系统。
三大误区
让 AI 成为可管理的劳动力
-
1
方法论先于工具
先画自己的 AI 工作流栈（Prompt → Context → Harness），再决定买什么工具。
-
2
文档驱动 + 逐步确认
先描述逻辑、确认、再执行；测试守住业务，关键节点人工把关。
-
3
系统会变强，不是你一个人
每次踩坑都把工具 / 护栏 / 文档补回系统——这才是 AI 全栈开发的终局。