上下文窗口
模型只能基于当前可见材料工作。需求、代码片段、报错、接口契约、业务背景都要喂进去。
信里的重点
普通研发人员最该先做的四件事
-
01
把 AI Coding 用进每天工作
从真实需求、缺陷排查、上下文整理和边界约束开始，质量责任仍然在人。
-
02
多理解客户场景
问题越贴近业务现场，AI 给出的方案越容易变成可交付价值。
-
03
主动参与 AI Native 场景
把告警研判、事件响应、策略推荐、测试生成、运维交付串成流程。
-
04
保持工程基本功
架构、代码、质量意识不会被 AI 替代，只会被 AI 放大差距。
AI 原理
大模型不是懂你，它是在条件下预测下一步
你给它的上下文、目标、约束和反馈，决定它是在补全代码、复述废话，还是帮你推进工程结果。
概率补全
它按统计规律生成 token，不天然知道“正确”。越具体的约束，越能收窄错误空间。
工具调用
当 AI 能读文件、跑测试、查日志、改代码，它才从建议者变成可验证的工程执行者。
反馈循环
一次生成通常不够。运行结果、测试失败、代码审查和用户反馈，才是让输出变可靠的关键。
Harness AI 编程
Harness 是把 AI 关进工程护栏里工作
好的 AI 编程不是“让 AI 随便写”，而是给它仓库、任务、规则、工具、测试和验收标准，让每一步都能被人类追踪和校验。
定义任务
把“帮我优化一下”改成“修复登录页移动端按钮换行，并保持现有主题变量”。
训练台
把真实研发任务改写成 AI 能执行的任务
选择一个目标，生成一份可直接给 Codex 或其他 AI Coding 工具使用的工作提示。
日常习惯
每天练这 5 个动作
这个功能应用在什么客户现场？客户真正想完成什么任务？
哪些文件能改，哪些接口不能动，哪些质量标准必须保持？
让 AI 先调查、再计划、再实现、再验证，减少一次性乱写。
用测试、lint、日志、截图、复现步骤检查输出，不凭感觉合并。
把好提示、失败模式、业务知识写进规范，让下一次更准。