一、知识全景图AI-First Architecture (顶层架构理念) │ ▼ Context Engineering (给AI喂什么) │ ├──▶ SDD (Spec-Driven Development) (产出什么样的规格) │ ├──▶ Plan-then-Execute (怎么调度AI工作) │ │ │ │ ▼ │ ReAct (ReasonAct 循环) (单步推理范式) │ ▼ Test-Driven AI (怎么验证AI输出) │ ▼ Harness (整套自动化工具链) │ ▼ Vibe Coding (最终开发体感)二、顶层理念2.1 AI-First Architecture (AI 优先架构)是什么不是传统系统 AI 功能,而是从零就假设 AI 是核心角色,整个架构围绕 AI 能力设计。为什么传统架构是确定性逻辑(if-else、状态机),AI 架构是概率性能力(推理、生成、规划)。如果 AI 是后加的,会有胶水代码、性能瓶颈、信任问题。怎么做 — 传统架构 vs AI-First 架构维度传统架构AI-First 架构核心组件Service / DB / CacheAgent / LLM / Tool决策方式代码规则LLM 推理错误处理异常捕获重试 / 回退 / 人工接管状态管理事务 / 锁对话上下文 / 记忆测试方式单元测试Eval (评测)典型例子: Cursor、Devin、Trae IDE。2.2 Vibe Coding (氛围编程)是什么Andrej Karpathy 在 2025 年提出的概念。不纠结语法、API、文件路径,专注感觉对不对。为什么AI 让写代码成本接近 0,人的价值在判断什么值得做。怎么做你: 我想做个能让我看心率趋势的工具 AI: [生成完整代码] 你: 不看代码细节,只看跑起来对不对 你: 再加点东西 / 这个不好看 / 逻辑不对陷阱不适合复杂系统(没有架构的代码会塌)不适合多人协作(别人看不懂你vibe出来的代码)适合: 原型、个人项目、探索性需求三、上下文层3.1 Context Engineering (上下文工程)是什么比 Prompt Engineering 更进一步。管理 AI 看到的所有信息: 系统提示、用户消息、历史对话、检索到的文档、工具输出、长期记忆。为什么LLM 的智能高度依赖输入上下文。上下文垃圾进,垃圾出。怎么做 — 4 层上下文模型┌─────────────────────────────────┐ │ 1. System Context (静态) │ ← 角色、规则、约束 ├─────────────────────────────────┤ │ 2. Retrieved Context (动态) │ ← RAG、文档检索 ├─────────────────────────────────┤ │ 3. Conversation Context (会话) │ ← 多轮对话历史 ├─────────────────────────────────┤ │ 4. Tool / Action Context (工具) │ ← 函数调用结果 └─────────────────────────────────┘关键技巧压缩: 上下文太长时总结,而不是截断检索: 只喂相关文档,而不是全部结构化: 用 XML / JSON / Markdown 分隔不同类型信息优先级: 关键信息放开头/结尾(中间容易被遗忘)四、规格层4.1 SDD (Spec-Driven Development, 规格驱动开发)是什么规格文档先行,再写代码。规格是机器可读的(AI 能直接执行),不是给人看的高大上文档。为什么AI 理解做什么需要明确输入规格是人和 AI 的契约没有规格,AI 会幻觉出需求怎么做 — spec.md 模板# 功能: 导出运动记录为 CSV ## 输入 - SportRecord 列表(来自 models.py) - 文件路径 ## 输出 - UTF-8 CSV 文件,BOM 头,Excel 可打开 ## 字段映射 - date → YYYY-MM-DD - duration_min → 保留 2 位小数 - 空值 → 空字符串 ## 边界条件 - 空列表 → 写入只有表头的文件 - 文件已存在 → 覆盖 - 字段含逗号/换行 → 用双引号包裹并转义 ## 不做什么 - 不做 PDF 导出 - 不做图表五、执行层5.1 Plan-then-Execute (规划后执行)是什么AI 分两阶段工作。先规划(不动文件) →用户批准→再执行(写文件)。为什么AI 一次执行容易跑偏让用户在低成本阶段纠正方向防止 AI 写出大量废代码怎么做Phase 1: Plan (只读) - 读相关文件 - 输出方案: A 方案 / B 方案 推荐 - 列出将创建/修改的文件 - 等待用户确认 ✓ Phase 2: Execute - 按批准方案实施 - 边做边报告进度 - 完成时总结Trae IDE 的 Plan 模式就是这一思想的工程化落地。5.2 ReAct (Reasoning Acting)是什么单步推理范式。Thought → Action → Observation → Thought → …为什么让 AI 在思考和行动间交替,避免空想或蛮干。怎么做 — 单步循环示例Thought 1: 用户要统计月度训练量,我需要先读取所有记录 Action 1: 调用 load_records(month2026-07) Observation 1: 返回 23 条记录 Thought 2: 现在按 sport 分组聚合 Action 2: 调用 group_by(records, keysport, aggsum(duration_min)) Observation 2: {running: 180.5, cycling: 240.0, swimming: 60.0} Thought 3: 格式化输出 Action 3: 生成 markdown 表格 Observation 3: 完成常见变体变体特点ReAct简单循环Plan-and-Solve先完整规划再逐步执行Reflexion加入自我反思(失败后重写思路)Tree-of-Thoughts多路径探索六、验证层6.1 Test-Driven AI (测试驱动 AI)是什么TDD 套到 AI 开发上。先写测试 → AI 实现 → 跑测试 → 失败就改 → 通过。为什么AI 输出不可信,必须有客观标准验证。怎么做# 1. 写测试用例(基于 SDD 的验收标准)deftest_export_csv_empty_list():records[]export_to_csv(records,out.csv)assertopen(out.csv).read()date,sport,...\n# 2. 让 AI 实现功能# 3. 跑测试# ✓ 通过 → 提交# ✗ 失败 → 把错误丢回 AI,让它修# 4. AI 自我迭代# 测试失败: expected date,... got 。请检查空列表处理逻辑。关键点测试是契约,不是事后检查AI 看不到测试 → 写完才知道 → 失败概率高让 AI 先看测试再写代码(TDD 本色)七、工具链层7.1 Harness (脚手架 / 缰绳)是什么控制和评测 AI 的自动化工具链。Harness 原意是马具,意思是驾驭 LLM 的缰绳。为什么AI 开发不能手动跑一下试试,需要可重复、可量化的工程化流程。怎么做 — Harness 核心组件┌──────────────────────────────────────────┐ │ Harness │ ├──────────────────────────────────────────┤ │ │ │ ┌──────────┐ ┌──────────┐ │ │ │ Test │ │ Eval │ │ │ │ Runner │ │ Suite │ │ │ └────┬─────┘ └────┬─────┘ │ │ │ │ │ │ ┌────▼──────────────▼─────┐ │ │ │ Result Aggregator │ │ │ └────┬────────────────────┘ │ │ │ │ │ ┌────▼────┐ ┌──────────┐ │ │ │ Logging │ │ Trace │ │ │ │ │ │ Recorder │ │ │ └─────────┘ └──────────┘ │ │ │ └──────────────────────────────────────────┘关键模块说明Eval Suite: 评测集(类似 ML 的测试集),衡量 AI 质量Test Runner: 跑单元测试、集成测试Trace Recorder: 记录 AI 每一步思考和行动Result Aggregator: 汇总结果,生成报告Regression Check: 对比新旧版本,防退化典型工具: LangSmith、Langfuse、DSPy、PromptFoo八、整体串联 (工程实践工作流)实际项目中的典型工作流:1. Context Engineering 准备项目资料给 AI ↓ 2. SDD 写出规格文档 ↓ 3. Plan-then-Execute AI 先规划,你批准 ↓ 4. Test-Driven AI 先写测试,再让 AI 实现 ↓ 5. ReAct AI 单步循环执行(读文件→思考→写代码) ↓ 6. Harness 自动化跑测试 评测 生成报告 ↓ 7. Vibe Coding 你看结果是否符合预期 ↓ 8. AI-First Architecture 整体架构围绕 AI 重新设计九、对比记忆卡概念核心动词解决的问题AI-First Architecture设计架构层面把 AI 当一等公民Vibe Coding探索快速验证想法Context Engineering喂信息AI 输入质量问题SDD写规格需求明确性问题Plan-then-Execute控节奏AI 执行偏离问题ReAct思考 行动AI 单步决策范式Test-Driven AI验证AI 输出可靠性Harness自动化AI 开发工程化十、选型建议根据项目阶段选择合适的实践强度:项目阶段推荐组合投入1-2 天原型Vibe Coding极低1-2 周 MVPSDD Task 清单 Test-Driven AI中长期演进完整 Harness AI-First Architecture高Agent / 工具调用ReAct Harness Eval高