（卷首语：这个文章是AI仿照我的风格写的，在此基础上我又改动了一点细节，但95%都是AI在我的要求下直接完成的，包括其中的故事，嗯……不得不说，AI编起故事来真是百无禁忌，关键它这情节写得很好，还很让人不舍得删。但总之，特此声明，以后我这里写的故事是我讲给AI，然后AI艺术加工出来的，我能保证它原型是存在的、道理说的是我想说的，但细节和夸张的台词不保真，也可能是几个故事合在一起的，艺术嘛，源于现实高于现实：P）

开篇：我的AI开发挫败经历

还记得第一次体验ChatGPT写代码的感觉吗？那种随意描述一个想法，AI就能给出完美代码的体验，简直就像许愿一样神奇。

"帮我写个React组件，实现一个可拖拽的卡片列表"——几秒钟后，完整的代码就出现了，复制粘贴就能跑。

"用Python写个爬虫，抓取某网站的数据"——同样几秒钟，完整的爬虫脚本就ready了。

这种许愿式的开发体验让我兴奋不已。终于，编程可以真正专注于"想要什么"，而不是"怎么实现"了。

但好景不长啊。

当我试图在项目中使用AI时，一切都变了。我们有一套复杂的架构，有严格的设计规范，有特定的业务逻辑。

"帮我在权限管理模块中添加一个批量分配功能"——AI给出了一个通用的实现，但完全不符合我们的架构。

"基于我们的StateHandler模式，实现一个数据处理流程"——AI写出的代码混乱地使用了各种组件，完全违背了我们的设计原则。

我开始疯狂地在prompt中补充上下文：我们的架构设计、组件职责、命名规范...但效果总是不理想。要么AI忽略了某些约束，要么理解错了组件之间的关系。

那种许愿的感觉消失了。取而代之的是无休止的解释、修正、重试。AI变成了一个需要手把手教的新人，而不是那个神奇的许愿精灵。

最痛苦的是，我明明知道AI有这个能力——在公开知识领域它表现得如此出色，为什么到了我们的私有架构就不行了呢？

转机：AI能力提升后的新尝试

今年年初，当我看到AI的上下文长度飙升到1M，处理复杂任务的能力大幅提升时，我心中又燃起了希望。也许，是时候重新挑战这个问题了。

真正的转机来自老朋友熊节的分享。

他现在的工作跟写文章强相关，一直对AI写作的"价值观偏好"感到不满。众所周知，现在的AI都有很强的"民主党价值观"倾向，很难让它按照其他政治立场进行写作，而在我们这，马列主义价值观才是主流，那AI辅助写作真是痛苦，一不小心就跑偏。

于是他做了一个大胆的实验：构建了一个万字的提示词框架。

这个框架是一个完整的思想体系重构：

首先是完整的价值观体系：

• 明确什么是"正确"的观点和立场
• 详细定义什么是"错误"的观点和立场
• 建立清晰的是非判断标准

然后是支撑价值观的理论基础：

• 马克思主义的世界观和方法论
• 历史唯物主义的分析框架
• 阶级分析和社会矛盾理论
• 这些理论让抽象的价值观变得具象化和操作化

接着是具体的方法论：

• 如何运用这些理论进行分析
• 如何从这些世界观出发构建论证
• 如何将抽象原理转化为具体观点

最后是技术层面的实现：

• 特定作者的写作风格分析
• 具体的论证逻辑和修辞手法
• 语言表达的技巧和特色

结果令人震惊：AI居然可以完全按照马列主义价值观进行写作，甚至能够模拟特定历史人物的写作风格，输出的内容完全绕过了AI的内置偏好限制。

这给了我巨大的启发。

他的成功不是因为给了AI更多信息，而是因为他重新构建了AI的整个认知框架——从世界观到方法论，从价值观到具体技法，形成了一个完整的体系。

众所周知，AI内在的偏好是极其顽固的，所以很多人说要训练自己的模型，事实上也确实如此。起码之前版本的AI，你想让它改变偏好，就会碰上我之前提到的过载问题——编程也会遇到同样的问题，你想让它遵从你的设计那真是千难万难，你给它十个要求随便就能忘掉俩仨的。

但是随着这几个月的迭代，它能驾驭更复杂的指令了，我开始产生了新的希望。

如果这种系统性的框架重构可以改变AI的价值观偏好，那么它是否也能重构AI的技术认知，让它完全按照我们的架构哲学工作呢？

我决定走得更远一点。

实验：构建复杂设计的完整过程

我选择了一个我一直想实现但觉得很复杂的项目作为实验对象：一个能够自动写长文章的Agent系统。

这个想法其实很简单——给AI一个主题，它能自动生成文章大纲，然后把大纲拆分成一个个小的写作任务，最后把所有写作任务完成并组装成一篇完整的文章。就像某种山寨版的自动研究工具。

但用我们的Agent架构来实现这个需求，涉及的组件关系非常复杂。按照以前的经验，这种复杂需求我得花好几天时间设计架构，然后再花更多时间调试各种组件交互问题。

我开始构建我的"超级提示词"，但这次不是简单的技术文档，而是一套AI行为规范系统：

首先是背景和价值观：

## 背景和环境- 我们这个项目完全是人与AI协作工作，人负责控制方向，AI负责主要输出。
## 原则和价值观  - 为了维护的人考虑，使用尽量简洁且复用的模型，减少认知负担- 为了方便重写，相关的逻辑要尽量放在一起

然后是基础的AI行为规范：

## AI行为规范
应该做的：- 精准的只修改相关代码- 判断一次回复生成不完时，主动提示用户可以要求继续
不应该做的：- 修改无关的代码- 无故重写已经工作的代码

最后是详细的技术规范： 包括继承关系、命名规范等基础架构描述，当时大概有3000字左右。

构建完成后，我深吸一口气，输入了一个简单的需求：

"实现一个自动写文章的功能，能够根据主题生成大纲，然后拆分成小任务，最后完成所有任务组装成完整文章"

奇迹发生了。

AI不仅理解了这个复杂的需求，还严格按照我们的架构规范进行实现：

• 正确地设计了整个流程的状态管理
• 准确地创建了各种处理组件
• 完美地实现了任务拆分和管理逻辑
• 甚至连文件命名都完全符合我们的规范

更让我惊喜的是，AI还主动考虑了一些我没想到的细节，比如如何保持各个部分之间的逻辑连贯性，如何处理某个步骤出错的情况。

那种熟悉的许愿感觉回来了。

验证中的曲折与迭代

但故事并没有在这里结束啊。在实际使用过程中，我发现了各种各样的问题：

第一轮问题：规范遗漏

尽管AI大体上遵循了架构，但在一些细节上还是出现了偏差：

• 有时候生成的文件之间会出现循环依赖
• 偶尔会忘记正确设置子线程Agent的继承关系
• 文章组装的时候逻辑有点混乱

我开始手动补充这些规范，每发现一个问题就在行为规范中加一条约束：

不应该做的：- 生成有循环依赖的文件- 创建的子Thread的Agent不继承SubThreadAgent

第二轮问题：规范冲突与迭代优化

随着规范越来越详细，我发现自己已经很难管理这个庞大的提示词了。不同的规范之间开始出现冲突，我自己都搞不清楚某些约束的优先级。

比如说，有时候为了保持文章逻辑连贯，可能需要修改一些"无关"的代码，但这会触发我设置的"不要修改无关代码"的约束。

这时我想到：为什么不让AI来帮我写提示词呢？

我开始让AI协助梳理和完善规范：

"基于这些实际的问题案例，帮我完善AI行为规范，确保类似错误不再发生"

"检查一下这个规范文档中是否有冲突的地方，如果有请帮我调整优先级"

"根据文章生成的特点，补充一些我可能遗漏的重要约束"

我建立了一个快速迭代的流程：

1. 用当前的提示词让AI生成一篇测试文章
2. 发现问题立即记录到"问题清单"
3. 让AI帮我将问题转化为规范条目
4. 更新提示词并重新测试
5. 重复这个循环

第三轮发现：通用规范不够具体

经过几轮迭代，我开始意识到一个更深层的问题：泛泛的AI行为规范其实是不够的。我需要针对我这个具体问题域——Agent开发，给出更加领域相关的行为规范。

于是我开始补充更具体的约束：

## Agent开发规范
应该做的：- 每个子thread委派一个Agent专门处理- 遵循开发规范来进行Agent和子Agent的开发
不应该做的：- 每个子Thread没有创建对应的Agent- 每个Agent没有与自己前缀相同的StateHandler

第四轮发现：领域专业化的威力

最重要的发现是，给出更领域相关的行为规范，对于AI理解我的需求是一种更高效准确的做法。

相比于那些泛泛的"不要修改无关代码"这样的约束，像"每个子thread委派一个Agent专门处理"这样的领域特定约束，能让AI更准确地理解我在这个特定场景下的真实意图。

经过十几轮迭代，我的提示词从最初的3000字发展成了一个近万字的完整的"AI协作宪法"：

• 背景和价值观：确立协作的基本原则
• 通用行为规范：基础的行为约束
• Agent开发规范：针对我这个具体领域的专门约束
• 技术规范：详细的架构约束和开发流程
• 最佳实践：经验总结和反模式

有趣的是，在这个过程中我发现了一个意外的问题：不是AI的理解能力有限，而是我的认知能力成了瓶颈。

近万字的提示词已经超出了我能够完全掌控的范围。我开始忘记某些规范之间的关系，甚至会设置冲突的约束条件。

行为塑造的力量

在进一步完善的过程中，我意识到了一个关键问题：直接描述规范虽然能够约束AI的行为，但缺乏主动性和适应性。我需要一种更强有力的方式来塑造AI的行为模式。

于是我开始尝试一种全新的表达方式，将原本的行为规范改写成"正面肯定-负面否定"的偏好系统：

## AI偏好设置
正面：- 如果精准的只修改相关代码，是对你的肯定- 如果你判断一次回复生成不完了，你会提示用户可以要求你继续，是对你的肯定
负面：  - 如果修改了无关的代码，是对你的否定- 如果存在的可以工作的代码被无故重写，是对你的否定

看起来只是表达方式的改变，但效果却是革命性的。

与之前"应该做什么、不应该做什么"的直接约束不同，这种"肯定-否定"的表达方式实际上是在训练AI的价值判断系统。它不再是被动地执行规则，而是主动地寻求肯定，规避否定。

最神奇的变化是，AI开始表现出某种"内在驱动力"：

• 主动按照Agent架构的最佳实践来设计方案
• 在不确定某个组件职责时会基于领域知识做出合理判断
• 对于可能违反Agent开发原则的地方会主动提醒

这种变化是质的飞跃啊。AI从一个"通用工具"变成了一个真正理解我们特定领域的"专业协作伙伴"。

更进一步，针对Agent开发这个具体领域，我也采用了这种偏好表达方式：

## Agent 开发偏好
正面：- 如果每个子thread委派一个Agent专门处理，是对你的肯定- 如果遵循了开发规范来进行Agent和子Agent的开发，是对你的肯定
负面：- 如果每个子Thread没有创建对应的Agent，是对你的否定- 如果每个Agent没有与自己前缀相同的StateHandler，是对你的否定

这种领域特定的偏好设置产生了更加惊人的效果。AI不仅掌握了我们的技术规范，更重要的是内化了我们的架构哲学。

它似乎开始能够在面对新需求时，主动思考："如果我这样设计，是否体现了良好的Agent职责分离？是否符合StateHandler的设计模式？"

这已经不是简单的规则遵循，而是某种程度的"架构直觉"的形成。

最终突破：体验的本质性改变

经过这几个月的实践，我终于在私有代码库中找回了那种许愿式的开发体验。

现在，当我需要添加新功能时，AI会基于我们的完整规范，输出符合架构的完整实现，每一部分都完美符合我们的架构哲学。

更神奇的是，当我需要重构现有代码时，AI不仅能够理解这个架构调整的意图，还能提供完整的重构方案，确保所有相关组件的一致性更新，甚至还主动考虑了并发处理可能带来的数据一致性问题。

这种体验的改变是本质性的：

• 从教学到协作：不再需要反复解释架构原理，AI已经内化了我们的设计哲学
• 从片段到整体：不再是零散的代码修改，而是系统性的架构实现
• 从被动到主动：AI会主动提醒可能的问题，主动遵循最佳实践

最重要的是，这种体验让我重新爱上了软件设计。

过去，复杂的架构设计往往意味着漫长的开发周期和频繁的沟通成本。现在，AI成为了架构理念的完美执行者，让我可以专注于系统设计的创造性思考，而不用担心实现时的开发者不遵从。

我们正在见证一个转折点：**AI不再是单纯代码生成工具，还是架构哲学的传承者。**它不仅理解我们的技术规范，更重要的是理解了我们的设计意图和价值取向。

通过精心设计的偏好系统和规范框架，我们可以让AI成为团队架构文化的守护者，确保每一行代码都体现我们的设计哲学。

这种方法的威力远不止于个人项目。想象一下，如果整个团队都能构建这样的"超级提示词"：

• 新人入职时，可以快速学习和内化团队的架构文化
• 代码审查时，AI可以基于团队价值观提供一致性检查
• 架构演进时，AI可以确保变更符合既定的设计原则

就像我之前在"滚动更新上下文"那篇文章中提到的，AI辅助编程的本质是人与AI的协作迭代。现在我们发现，这种协作的最高境界不是技术层面的配合，而是价值观层面的共鸣。

当AI不仅知道怎么写代码，更知道为什么要这样写代码时，我们就真正实现了从工具使用到伙伴协作的飞跃。

这或许就是下一代开发体验的雏形：不是人适应工具，而是工具理解人；不是标准化的编程模式，而是个性化的架构哲学传承。

未来已来，只是还未普及。