最近在复现一个遗留系统的重构任务，团队里的小伙伴开始尝试用 Claude Code 来加速进度。起初大家很兴奋，觉得“搬砖”的力气活终于可以交给机器了。但不到一周，问题就来了：代码写得飞快，Bug 也藏得飞深，Review 的人差点被 PR 淹死。
这让我意识到，AI 编程工具（Vibe Coding）的到来，并没有改变软件工程的本质，反而对我们这些研发人员和架构师提出了更高的要求。工具越智能，流程越要严谨。
结合这段时间的踩坑经历，聊聊我对“AI 时代研发流程”的一些思考。
一、 把 AI 当“实习生”，而不是“大神”
很多同学刚开始用 AI 写代码，喜欢直接甩一句：“给我写个秒杀系统”。结果往往是灾难性的——它可能给你整一套 Redis 分布式锁，但完全没考虑库存超卖后的补偿逻辑，或者忽略了消息队列的堆积处理。
我的做法是：先给规则，再给任务。
开工前，我会先在项目根目录建一个 SKILL.md或者 AGENTS.md。这东西就像是给实习生的《新员工手册》，里面必须写清楚：
技术规范：比如“所有对外接口必须返回统一的 JSON 格式”、“禁止使用 SELECT *”。
项目坑点：比如“这里的老数据有脏读，查询必须加时间范围”、“千万别动那三个 legacy 文件，那是上古时期的定时任务”。
验收标准：比如“必须跑通单元测试，覆盖率不低于 80%”。
AI 是不懂“常识”的，它只会根据你给的上下文去拟合。 你给的范围越窄，它输出的质量越高。别指望它一开始就能理解你整个庞大的系统架构，那只会让它胡言乱语。
二、 上下文管理：别让 AI 背你的“黑历史”
Claude Code 虽然号称有巨大的 C
