AI写代码总返工?真正的问题不是模型,而是一份项目规范文档

源自60位全网作者

10:30

内容由AI生成

精选参考来源

1. 拒绝玄学编程:用上下文工程让 AI 啃下复杂代码库

2. Java工程师必懂AI合集-Context Engineering(上下文工程)详解

3. 爆款 GitHub 开源! AI 编码 PUA 插件,13大厂方法论让 AI 编码效率翻倍

4. 写了十几年代码,说说 AI 工具到底怎么提高编码效率的

5. 如何利用 AI 工具提高程序员的编码效率?一个老程序员的实战框架

6. AI 编码效率差距,往往不是工具问题,而是你少了这 3 个环节

7. AI编码返工率高达70%?这套OpenSpec开发法效率翻倍

8. 5个月开发6款App!这位开发者靠7个AI编码系统,打破程序员效率

9. 这个GitHub项目能帮你省60%的AI调用成本:headroom的token压缩魔法

10. AI编码智能体在大规模软件工程中如何优化代码生成效率?AI编码智能体为何能够提高大型软件工程开发效率?任务分解如何降低程序搜索空间?

11. AI到底能提高多少编码效率?

12. 微软发布FastContext子智能体,提升编码AI效率

13. ECC实战指南①|AI编码性能优化神器,让Token消耗暴降90%

14. SDD 实战手记 [01/10] | AI 编码提速 10 倍,交付只快了 13%——问题出在哪,怎么解?

15. 为什么你的AI协作总是低效?

16. 谷歌发布最新AI代码生成工具 编码效率提升60%

17. 拒绝重复调教!Claude多窗口协作终极方案

18. 用了Context7之后,AI写代码终于不“胡说八道”了

19. 硅谷程序员是怎么在工作中用AI 写代码的

20. 登顶GitHub Hacker News,这个开源项目让AI编程成本降低 98%

21. Headroom-AIAgent上下文压缩与Token优化引

22. 大模型上下文压缩技术前沿:从Token删减到语义重构

23. 爆干货!Claude Code超强上下文。上下文管理做了什么 核心目标:在有限的 token 窗口内,让 Claude Code 尽可能长时间地保持有效对话,同时控制 API 成本。 整体可以分为 4 个层次: 第一层:感知 —— 知道窗口用了多少 context.ts 解析每个模型的实际窗口大小(200k / 1M,支持环境变量覆盖) analyzeContext.ts 把窗口占用拆解到每个来源(系统提示、工具定义、记忆文件、历史消息……),带颜色标识,可视化成网格 contextSuggestions.ts 基于占用率给出具体优化建议(哪个工具结果太大、记忆文件膨胀等) 第二层:轻量瘦身 —— 不调 LLM,直接裁 微压缩(microCompact) 有三条路径,按优先级互斥: 时间触发:距上次对话 >60min,服务端 prompt cache 已过期,直接把旧工具结果内容替换成 [Old tool result content cleared],无任何 API 调用 Cached MC(ant-only):不改本地消息,通过 API 的 cache_edits 机制在服务端删除,客户端零感知 API 侧 context_management:通过 Anthropic 原生字段 clear_tool_uses_20250919 / clear_thinking_20251015 让服务端自己管 第三层:重量压缩 —— 调 LLM 生成摘要 触发阈值:contextWindow - 20000(摘要预留)- 13000(缓冲),约在 93% 左右。 两条路径,SM 压缩优先: Session Memory 压缩:不调 LLM,直接用已有的 session memory 内容作摘要,替换旧消息段 LLM 摘要压缩:调模型生成 9 章节标准摘要(Primary Request Files Errors / Pending Tasks 等),替换历史消息 压缩后统一执行 postCompactCleanup,清除 10+ 项缓存(文件缓存、系统提示缓存、分类器缓存等),确保状态一致。 第四层:请求级控制 —— 防止单次无限续写 tokenBudget.ts 的 BudgetTracker 在每次 callModel() 后检查: 连续 2 次增量 60min 空闲时,服务端 prompt cache 的 1h TTL 已过期,缓存本来就失效了,这时清除旧工具结果内容不会带来任何额外损失,但能显著减少下次请求的 token 数。利用了 cache TTL 的自然边界,零成本瘦身。 4. 压缩边界标记(boundaryMarker) 每次压缩后插入边界标记,query.ts 每次只取最近边界之后的消息,历史压缩结果不会被重复处理,也不会被再次压缩。 5. 状态清理的完整性 postCompactCleanup 清理了 10+ 项缓存,包括文件内容缓存、系统提示分段缓存、分类器审批缓存等。特别注意不清除 sentSkillNames(技能列表压缩后仍需保留,避免重复注入 ~4K tokens),体现了对细节的精细控制。 6. 子 Agent 隔离 Cached MC 和 Context Collapse 等有状态操作只对 repl_main_thread 前缀生效,防止子 Agent 污染全局压缩状态。#agent #claude #claudecode #源码分享

24. Token 管理就是库存管理

25. 论文洞察:基于语义空间的可召回压缩的KV Cache管理

26. 降虾十八招05:上下文压缩 | 管理记忆

27. 大模型窗口扩容核心技巧:长对话摘要Token压缩与核心留存方案

28. LLM上下文压缩新思路:headroom让token成本直降60%

29. LLM Token压缩60-95%:headroom如何让AI降本增效

30. Tokenless 刚刚更新:压缩功能长了“脑子”

31. Headroom:给 AI Agent 上下文做压缩,省下 60%-95% 的 Token 账单

32. 全球排名前三,复旦自进化Harness Engineering让GPT‑5.4再涨7个点

33. 提示词工程、上下文工程都过时了,现在是 Harness Engineering 的时代

34. Context 还不够,Harness 才是 Agent 工程优化的正解?

35. Loop Engineering 会是 AI 的下个关键词吗?

36. 智谱GLM-5强调的Agentic Engineering能力是什么?|甲子光年

37. 智能体上下文工程:为什么文件系统成了AI记忆的最佳载体?

38. Harness Engineering的本质是什么?

39. Agent 开发范式演进:从环境工程出发,“简化”多源实时上下文

40. Harness Engineering:AI Agent 落地企业的工程化核心

41. 【CodeGenius Memory:构建面向代码生成的可控上下文系统】本次 Memory 系统重构是一次面向 AI Agent 未来演进的上下文工程升级——通过结构化、压缩与抽象机制,让模型在有限上下文预算下更高效地维持任务理解、目标对齐与推理连贯性。https://developer.aliyu

42. 【Qoder 发布首个自进化的智能体:看 Quest 如何重构了 Quest】Quest 是一款实现真正自主编程的AI代理,通过Agentic上下文管理、精简Bash工具链、Spec→Coding→Verify闭环及动态Skills系统,让AI端到端交付可运行产物。它不依赖人工调试,支持自进化与多模

43. 【做AI产品三年复盘,我看到的变与不变】 本文以AI产品工程师视角,分“看自己、看行业、看世界”三部分,剖析AI巨变中不变的本质:人机协作需强化沟通力、工程判断力与责任担当;营销与金融正被生成式技术重塑;ClaudeCode等智能体虽形态演进,但“上下文(Context)”始终是决定效果的核心。ht

44. 「Github一周热点117期」Claude Design开源替代、AI 上下文压缩 、提升AI审美的Skill、英语学习指南,从零手搓AI

45. 刚刚,腾讯姚顺雨署名首篇论文发布,「下半场」先搞上下文学习

46. Harness 之后,硅谷 AI 圈又来新词了:Loop Engineering

47. Prompt该退环境了,未来属于Loop Engineering。

48. 从教 AI "怎么问"的提示词工程(Prompt Engineering),到教 AI "喂什么"的上下文工程(Context Engineering),再到今天的驾驭工程(Harness Engineering)——把 AI 真正套上缰绳,让它持续、自主地替你干活。OpenClaw 就是这根缰绳。

49. 从 Vibe Coding 到 Harness Engineering:重构 AI 时代的工程信任

50. Harness Engineering 来了,SDD 还有意义吗?

51. Loop Engineering的本质是什么?

52. 本体+ 大模型:Knora 如何破解企业AI落地中的幻觉与执行断层难题

53. OpenAI 发布具备原生计算机控制功能的 GPT-5.4 版本 具备计算机原生使用能力。 Codex 和 API 中最多可包含 100 万个上下文标记。 针对复杂任务的最佳智能体编码。 跨大型生态系统的可扩展工具搜索。 针对耗时较长、工具繁多的工作流程,提供更高效的推理。

54. Harness Engineering:当AI能写百万行代码,工程师的护城河是什么?

55. Context Engine:为AI编程助手构建代码语义理解与记忆系统

56. 还在死磕Prompt技巧?2026年了,程序员该学的是Context Engineering

57. Context Engineering:AI编程时代,一个比写代码值钱十倍的新技能

58. #631.深入理解 Context engineering

59. Context Engineering实战:如何设计高效的Prompt提升AI辅助开发效率

60. 上下文越多,AI 可能越笨,Anthropic 终于把这件事讲透了

0
扫一下,分享更方便,购买更轻松
0评论

当前文章无评论,是时候发表评论了
提示信息

取消
确认
评论举报

最新文章 热门文章