GSD:解决Claude Code上下文腐烂的工程化方案
在使用Claude Code等AI编程工具时,随着对话轮次增加,上下文窗口被填满会导致输出质量直线下滑,这种现象被称为“上下文腐烂”。为了解决这一问题,名为GSD(Get Shit Done)的开源项目提供了一套基于上下文工程和子代理编排的解决方案。该项目由独立开发者TÂCHES打造,目前已在GitHub获得34.8K Stars,并被亚马逊、谷歌等公司的工程师采用。
01传统AI编程模式的痛点
AI编程面临的核心挑战
上下文腐烂
对话过程中记忆失效
- 随着对话轮次增加,上下文窗口被填满
- AI开始遗忘初始需求,输出质量下降
- 最终导致生成的代码不稳定且不可用
Vibe Coding
需求理解偏差
- 仅凭自然语言描述需求,缺乏结构化确认
- 生成的代码与实际意图存在偏差
- 一旦项目规模扩大,代码逻辑容易崩溃
验证缺失
可靠性无法保障
- 缺乏自动化的代码验证环节
- 依赖人工进行全量测试,效率低下
- 问题定位困难,维护成本高
02GSD核心工作机制
GSD通过构建结构化的记忆系统和波次执行机制,确保AI始终在最佳上下文环境下工作。其核心在于将复杂任务拆解为独立的原子任务,每个任务独享上下文,避免垃圾信息积累。
| 核心文件 | 功能描述 | 作用价值 |
|---|---|---|
| PROJECT.md | 记录项目愿景与长期目标 | 确保AI始终理解项目核心方向 |
| RESEARCH/ | 技术栈调研与架构分析 | 提供技术选型依据,避免重复踩坑 |
| REQUIREMENTS.md | 分阶段需求记录与追溯 | 明确验收标准,防止需求偏移 |
| STATE.md | 当前决策、阻塞点与位置 | 实现跨会话的状态记忆与恢复 |
| PLAN.md | XML结构的原子任务与验证步骤 | 指导AI执行具体的开发操作 |
GSD构建的结构化记忆系统
在执行层面,GSD采用了“波次执行”策略。不同于传统的分层开发模式(如先写所有数据模型,再写所有API),GSD按“垂直切片”拆解任务,优先并行执行无依赖的端到端功能。例如,在开发电商网站时,第一波次可同时执行用户注册和商品展示功能,待其完成后,第二波次再执行依赖前者的订单和购物车API。这种方式最大化了并行效率,同时保持了上下文的清洁。
03五条核心命令与工作流
- /gsd:new-project
初始化项目,系统自动引导完成需求调研、研究分析、需求拆解及路线图制定。 - /gsd:discuss-phase [阶段]
针对特定阶段的实现方案进行讨论,确保意图理解一致后再开始编码。 - /gsd:plan-phase [阶段]
研究技术方案,生成2-3个原子化的执行计划供选择。 - /gsd:execute-phase [阶段]
并行执行计划,每个步骤独立处理上下文,并自动完成代码提交。 - /gsd:verify-work [ID]
进行验收测试,若发现问题则自动生成修复计划,无需人工调试。
此外,工具还提供了懒人模式/gsd:next,可根据当前状态自动推进到下一步骤,减少手动干预。
04三种运行模式适配
| 模式名称 | 执行流程 | 适用场景 |
|---|---|---|
| 标准模式 | Discuss → Plan → Execute → Verify → Ship | 复杂功能开发,需严格把控质量 |
| 快速模式 | 跳过研究验证,保留原子提交与状态跟踪 | 修复Bug、添加按钮等简单任务 |
| 全自动模式 | 开启auto_advance,系统自动推进各环节 | 需要批量处理或高度信任AI输出 |
GSD提供的三种工作模式
GSD项目本身采用纯JavaScript编写,基于MIT协议开源。其设计哲学是将复杂度封装在系统内部,而非暴露给用户。对于独立开发者、小团队以及Legacy项目的维护者而言,该工具提供了一种避免繁琐企业流程、专注于产出的AI编程辅助方案。
当前文章无评论,是时候发表评论了