AI 编程的效果往往取决于任务拆分、上下文供给与验收方式，而非单一模型分数。

适用场景

团队已引入 Cursor、Claude Code 或 Codex，但产出不稳定；需要在面试或复盘里讲清「AI 如何进入研发流程」而非空泛效率口号。

方法与要点

把工具能力拆成三层：补全与局部改写（IDE 强项）、跨文件自动化（CLI Agent 强项）、规范与记忆（CLAUDE.md、Skills、Spec）。模型是底座，Harness（权限、测试、Git 粒度）决定能否进生产。

工作流

先定任务类型再选入口：小改动走 IDE diff；批量重构、脚本化流水线走 CLI。长任务配合 Spec 写验收标准，提交保持小步可回滚。规则文件只放「删掉就会犯错」的约束，详细设计放链接按需加载。

风险

一次性大 diff 难审查；上下文塞满导致关键约束被稀释；把 Demo 速度误当成交付质量；多 Agent 并行未隔离目录时互相覆盖。

检查清单

  • 任务是否有明确验收（测试、接口契约、性能指标）
  • 规则文件是否精简且可版本化
  • 提交粒度是否支持 bisect 与回滚
  • 是否区分「生成」与「合并」责任人
  • 面试/汇报能否说出失败案例与补救措施

落地建议

把「AI 编程实战指南」相关的动作写进团队 Wiki 或 CLAUDE.md，并在两次 Sprint 里刻意练习：一次只用 IDE 路径，一次只用 CLI 路径，对比 PR 大小、缺陷率与 review 耗时。记录哪些步骤必须人工签核、哪些可以交给 Agent 自治，比争论工具优劣更能沉淀可复用经验。