5
0
你有没有发现，和 AI 聊得越久，它就越“笨”？答案越来越敷衍，细节不断丢失——这不是错觉，而是 LLM 的固有缺陷：上下文越长，注意力越分散。Matt Pocock 将这种现象称为“迟钝区”（Dumb Zone），并提出了一套系统性的工作流，确保 AI 始终在“智能区”内高效运转。
本期内容源自 Matt 的实战演讲。你将学到一套四阶段方法论：从“Grill Me”对齐（让 AI 像面试官一样拷问你），到垂直切片与看板拆分，再到 AFK 自动化实施（使用 TDD 和 Ralph 循环），最后是人工 QA 与代码审查。他强调，AI 时代依然需要遵循软件工程的基本原理——深层模块、共享理解、反馈循环。对于受够了“AI 越用越蠢”的开发者而言，这套工作流或许是你的解药。
Matt Pocock 的工作流证明，AI 时代不仅没有淘汰软件工程基本原理，反而让它们变得更加重要——共享理解、测试驱动、深层模块、人类品味。用好这些原则，你就能让 AI 始终待在“智能区”，成为真正的生产力放大器。
参考：Full Walkthrough: Workflow for AI Coding — Matt Pocock
以下为主要内容的图文介绍：
🧠 理解 LLM 的“智能区”与“迟钝区”
核心洞察：LLM 的注意力关系随上下文长度呈二次方规模增长，当超过约 100k token 后，性能开始断崖式下降。
“记忆碎片”特性：LLM 容易遗忘或产生状态混乱。Matt 建议频繁清除上下文并从头开始，而不是通过“压缩”历史来延续对话。
应对策略：拆分任务，确保每个子任务都在 AI 的“智能区”内完成。
🔄 四阶段工作流——从对齐到自动化
对齐阶段：Grill Me（拷问我）
开发者在写任何代码前，先让 AI 扮演“面试官”，不断追问计划细节，直到双方达成“设计概念”的共识。
这种“无情”的追问能暴露边界情况和隐藏假设。
规划阶段：PRD 与垂直切片
将对齐结果写成产品需求文档（PRD），包含用户故事、决策和测试标准。
采用“示踪弹”方法：每个任务都是跨越全栈各层的垂直切片，而非按数据库、API、前端水平拆分。这能让你获得即时反馈。
将PRD拆解为看板任务单，标注依赖关系，实现多代理并行开发。
实施阶段：AFK（脱离键盘）自动化
Ralph 循环：AI 代理自主从积压任务中领取任务、开发、提交。
TDD（测试驱动开发）：测试是 AI 的“眼睛”。通过“红-绿-重构”循环，确保质量并防止 AI 作弊。
评审阶段：QA 与代码审查
人工施加审美判断，防止系统沦为平庸的“内容垃圾”。
使用另一个处于“智能区”的 AI（如 Opus 模型）进行独立代码审查。
🏗️ 代码库架构如何影响 AI 效果
“糟糕的代码库会产生糟糕的代理”：AI 生成的代码质量直接受代码库结构影响。
深层模块（Deep Modules）：具有简单接口和复杂内部逻辑的模块，比复杂零散的浅层模块更易于 AI 理解和测试。
架构作为地图：开发者应亲自设计模块接口，将具体内部实现委托给 AI。这样既能掌控全局，又能释放生产力。
🎯 核心总结
人负责对齐和 QA，AI 负责实施。通过高质量的反馈循环（TDD）和清晰的架构边界，开发者可以在 AI 辅助下高速交付高质量软件。
保留人类对系统的最终控制权和“品味”，避免 AI 生成低质量的代码“废料”。
