Chuckle

话说，Lodex 给这个帖子打几分 要是看不到其它的推广了咋办

本质同一种东西，就是在合适的时候提供合适的提示词，背后也挺复杂的，类比的话，就像系统管内存一样，一看理论也挺朴实无华，一到实现，也麻烦，一到吹牛，内存扩展这种老东西就变成了手机厂商的“超级内存闪存融合”。名词本身，解决吹牛问题 毕竟干了活，总得有个 ppt 什么的吹牛吧，但确实有活。

@brucedone 其实各种 AI 工作流，感觉都是为了建立一个“项目知识库”，区别就是过程，有强调左移的，做项目前先让人和 AI 对齐颗粒度，有古法的，人先写好项目知识文档，我这套更强调 AI 自己学习，减少人的负担，总之知识库建立起来后，项目推进一般没问题，上下文也不是瓶颈了，信息就是一切。

@JasonYip 嗯，AI 毕竟原理也是机器学习，那应用上也让 AI 自己学去，或许可以 24h 跑 AI 去做以前人做过的需求，然后给标准答案，让 AI 自己看做错了什么，该怎么做

现在鸿蒙拿什么写比较多的，还是用那个 arkts 么，以前好像连 npm 生态都不兼容？，貌似还有个仓颉吧。跨端框架那些支持咋样了

我目前的一个实践：
前期：
设计一个能让 AI 记录试错、任务，并能提供信息给 AI 的环境。
中期：
正常使用 ai ，ai 做错了，要指出，并且让 ai 自己记录。对话中有人为指出的“经验”要自动记录。
ai 写的代码，逐行 cr ，脑跑业务逻辑，测试环境验证，遇到问题无论大小都让 ai 改，哪怕只是一个参数传错了，也要在对话框告诉 AI 为什么错，应该怎么做。
后期：
ai 已经认识了大部分项目，养好了，现在你在做“熟悉”的项目和“熟悉”的任务时，可以不需要 cr ，或者只是一目十行大概看看。最后只需要在测试环境验证。

另外，我发现，现在我只需要几句话，就能让 AI 经过 5 次上下文压缩，一次对话完成了一个要修改 3 个仓库、50+文件的复杂任务，即使我的提示词里并没有让 ai 一次完成长任务，可能是 ai 获得了足够多的信息，自己判断了能够一次对话完成。另外最初的提示词我也是自然语言描述 3 个仓库的名字，“参考旧**组件，将近期新的提交迁移到新的**和**组件”，因为之前已经在这三个仓库里做过了很多任务了，所以 AI 自然知道对应的是哪些仓库，本地位置在哪。模型用的 glm5.2

现在还是 cli + skill 最方便
以后模型自己对着各种系统，并发无数个子代理，给一本说明书自己读去，自己试错，点了什么会有什么后果，产生什么反应，所有可能性，全跑一遍，就像人类幼崽刚摸到电脑一样，也是乱按键盘吧

cursor 吧，用不了国外的就 qoder 也还行，至少极致是套皮 opus 好像，codex 配 vsc 也行。国产模型的话，用 glm5.2 / 5.1 ，千问的 3.7max 小的需求、改动明确的任务可以做。