能否抑制住上下文熵增,决定成败
春节期间,利用Claude Code完成了完整业务系统的开发。项目期间产生了总计1.9万次请求,消耗约10亿Tokens,主力模型为Claude Opus 4.6。实战结果表明,AI代码生成能力已不再是开发瓶颈,真正的决胜点在于上下文管理与需求质量。能否有效抑制上下文熵增,直接决定了项目的成败。
01核心解构:对抗上下文熵增的6条经验
- 多模型对审,Plan阶段填坑
采用Opus 4.6 Plan mode制定方案,Codex 5.3 Extra High进行评审。每个需求点经过五六轮质疑与补全,确保执行阶段几乎一次通过。将修改循环前移至纯文本阶段,是成本最低的策略。 - 分形文档+强制同构
建立根目录全局地图、模块目录成员清单及文件头部依赖声明。通过三层折叠,确保AI三次Read即可获取完整上下文。配合CLAUDE.md强制加载播种文档,并强制代码变更必须回环检查,防止文档与代码脱节导致AI生成偏差。 - Hook自动拦截
将规范编写为脚本挂载Hook,违规代码在写入瞬间被打回。Prompt重复一百次不如物理拦截一次。例如利用Hook强制使用Arco Design组件,实现全项目零逃逸。 - Plan文件持久化
将Plan落地到项目目录,并增加Checklist进行跟踪,新会话通过读取文件实现断点恢复。文件系统被视为唯一可靠的状态源。 - 质量红线量化
设定硬性阈值:文件≤800行,函数≤30行,嵌套≤3层,分支≤3个。AI对“要短”的理解容易飘忽,但对“≤30行”等数值指标执行稳定。 - 渐进式上下文加载
修复Bug时仅加载目标模块,进行架构决策时才加载全局。命中率比覆盖率更重要。虽然1M上下文可缓解熵增,但不能根除,渐进加载是必修课。
| 模型名称 | 请求次数 | 实际Token消耗 | 标准费用 |
|---|---|---|---|
| Claude Opus 4.6 | 10,206 | 897.46M | $768.03 |
| Claude Haiku 4.5 | 9,059 | 134.24M | $40.94 |
| Claude Sonnet 4.6 | 397 | 24.46M | $16.68 |
| Claude Sonnet 4.x | 64 | 4.83K | $0.90 |
| Claude Opus 4.5 | 113 | 11.74K | $0.658 |
模型使用分布与成本统计
最终数据显示,总请求数为19,689次,总Token消耗达1.06B,总消费为$827.20,平均耗时885.66秒。其中输入Token为7.80M,输出Token为6.23M。上述6条核心经验本质上都是在对抗上下文的熵增,如果不解决这个问题,迭代速度越快,系统崩溃得也越快。高质量的文档是构建好系统的基石。
当前文章无评论,是时候发表评论了