AI交互大纲

上下文

上下文指的是信息环境。或者说是数据环境。

在AI交互中，上下文是决定AI理解准确性和输出质量的关键因素。AI模型本身是一个巨大的知识库，但它缺乏对当前任务、项目背景、用户意图等具体信息的了解。没有充分的上下文，AI就像在黑暗中摸索，只能依靠训练数据中的通用模式进行猜测，容易产生"幻觉"或偏离实际需求。而丰富的上下文信息则让它能够准确理解任务边界、约束条件和预期目标，从而生成更贴合实际、更可控的输出。因此，如何有效地构建和传递上下文，成为了AI交互中的核心挑战，这也直接关系到我们接下来要讨论的"交流"问题。

交流

交流本质上是在进行信息传递，目的是补全双方在一个问题上可能的信息差。从更本质的角度看，交流的过程就是上下文传递的过程。对于一个要处理的问题，提出问题的甲方和要解决问题的乙方，双方在上下文上的同步率越高，则最终问题得到解决的可能性就越大。

在与AI的交互中，我们所给予的提示词、预先准备好的文档，都是我们作为甲方在尝试与AI进行信息同步的努力。信息越具体、越完整，则最终生成的结果就越可控、越符合预期。

与AI进行高效交流离不开：模板。

模板

"模板"是预先定义的结构化框架或模式，用于标准化重复性任务、规范流程输出，并承载领域经验。它本质上是人类经验的显性化与范式化——将隐性的、分散的经验知识转化为显性的、可复用的结构化知识。

模板可以是一个用于描述行为规范的文档，也可以是一种规范化的文本比如JSON数据结构，或者编程语言。模板存在的意义在于消除人类语言和理解所导致的目标歧义。

在AI工程化时代，模板是平衡效率与可靠性的关键基础设施。模板通过约束AI的行为边界，让AI运行在可控范围内，遵循既定的模板和规则进行输出。遵循模板的数据输出具有标准化的结构，这使得人为介入AI工作流变得更加便捷，能够及时发现并修正AI行为偏差。

更重要的是，模板和规则可以帮助使用者规避忽略潜在上下文环境所带来的信息解析错误风险。通过预先定义模板，我们实际上是在为AI划定一个明确的"工作空间"，在这个空间内，AI的行为是可预测、可控制的。

模板生成

经验蒸馏（Experience Distillation） 是模板生成的主要途径，它是指将人类专家或系统的隐性经验转化为可复用、结构化的知识模板的过程。这个过程包括：识别重复性模式、提取关键要素、抽象通用规则、形成标准化框架。通过经验蒸馏，我们能够将"只可意会不可言传"的隐性知识转化为"可复制、可传承"的显性模板。

静态模板和上下文模板

传统的模板都是静态模板，它们采用"填空式"的生成方式，要求用户按照固定格式填入预设的变量，输出结构相对固化。而AI提示词模板则是新一代的上下文模板，它能够根据生成位置的实际环境进行动态调整。

核心差异：

• 静态模板：结构固定，变量预设，需要用户手动填充每个细节，输出结果相对标准化但缺乏灵活性。

• AI提示词模板：能够感知当前上下文环境（如项目结构、代码风格、业务背景等），并据此动态生成更贴合实际的内容。例如，在代码生成场景中，AI可以根据当前文件的导入语句、已有的代码风格、项目的技术栈等信息，自动调整生成代码的风格和实现方式，而不需要用户手动指定每一个细节。

这种动态适应性使得AI提示词模板在保持结构化的同时，具备了更强的灵活性和上下文感知能力，实现了"结构化"与"灵活性"的平衡。

提示词

在与AI的交互中，提示词是人类与AI进行上下文交换的主要途径之一。

一个提示词主要由以下部分组成：

• 期望指令：明确告知AI需要执行的任务，比如生成一篇文章、翻译一段文字、解答一个问题等，让AI清楚知道要达成的目标。
• 上下文：为AI提供完成任务所需的背景信息、项目情况、用户意图等数据环境。丰富的上下文能让AI准确理解任务边界、约束条件和预期目标，避免 "幻觉" 或偏离实际需求。
• 输入：提供给AI具体处理的内容，例如需要生成文章时给出的主题相关信息，或翻译时的源语言文本等。
• 期望输出：向AI说明希望得到的输出结果形式、风格、格式等要求，例如输出文章的字数、语言风格，翻译后的目标语言等 。

结构化提示词，例如使用Json等标准数据结构，可以有效提升AI对于提示词的理解。

AI交互大纲

• AI永远需要人工干预：模型本身不了解真实场景，也无法感知实时上下文。任何"不够完美"的回答都应该被视为中间产物，需要通过追问、限定、补充信息来持续调校。
• 指令必须"结构化 + 示例化"：清晰的目标描述配合模板化结构、示例或边界条件，能显著降低理解偏差。先告诉AI"要做什么"，再说明"有哪些材料""预期长什么样"。
• 任务拆解到单一目标：一次只让AI解决一个清晰子任务，避免在同一轮次夹带多个意图；必要时用编号列出步骤，逐条确认并迭代。
• 结果需要多源验证：对事实性内容或高风险决策，要求AI标注来源并与第三方资料核对，或自行抽样验证，防止幻觉信息渗入工作流。
• 充分认识模型局限：AI并非全知全能。
• 持续模板化思维：任何高频任务都要反向思考能否抽象出提示词模板或协作流程模板，并在每次迭代后复盘、补充，保证下一轮交互可以直接复用最优范式。同时对于已经模板化的任务，可以进一步考虑能否降级为静态模板。

AI辅助

AI是有力的脑力解放工具，它能够将人类从枯燥的思维流水线中解放出来。通过将重复性、机械性的思维任务交给AI处理，人类可以将更多的精力投入到更加高级和复杂的问题上。

让AI发挥最大作用的重要前提是：我们需要为AI总结针对任务的各种模板。没有模板的约束和指导，AI的输出往往是不可控、不可预测的。模板为AI提供了明确的工作框架，使得AI能够高效、可靠地完成重复性任务。

AI自动化的核心要素

在AI自动化工作流中，有两个核心要素决定了自动化的可行性和可控性：决策过程参与和文本绑定。

决策过程参与指的是：User需要在关键的任务节点参与并及时纠正AI，以保证结果可控。AI虽然能够高效处理重复性任务，但模型本身不了解真实场景，也无法感知实时上下文。因此，在关键决策点需要人工介入，及时纠正AI的行为偏差，确保工作流朝着正确方向推进。这种参与不是简单的监督，而是在关键节点进行的主动引导和纠偏，是实现"可控自动化"的关键机制。

实践方法：一个有效的决策参与方式是任务分解与规则确认。将复杂任务划分为多个符合AICommand规范文档的子任务，然后人工逐一确认每个子任务的规则文档是否符合预期，确认后再交给AI进行处理。这种方式将"决策参与"前置到规则制定阶段，确保AI执行时遵循的是经过人工审查和确认的规则，从而大大降低了后续纠错的成本。

文本绑定指的是：对于一个工作流可以使用AI自动化的关键在于工作内容可以使用结构化文本进行完整描述，且文本具有人工可维护性。文本绑定的本质是建立一种"可读、可编辑、可版本化"的中介层，将复杂的、多维的信息（如图形、设计意图、业务逻辑等）转化为AI可以精确理解和操作的结构化文本。文本的优势在于：人工可直接阅读和编辑、便于版本控制和协作、易于结构化和标准化、支持精确的语义表达。

虽然现代AI解决方案可以读取图片信息并转换为结构化文本，但文本绑定的核心在于可编辑的结构化文本。图片转文本的过程仍然需要通过人工审查和修正来确保准确性，而一旦转换为结构化文本，就可以利用文本的可编辑性进行精确的调整和干预。因此，文本绑定不仅仅是文本格式本身，更重要的是建立了"人工可及时干预AI工作流"的机制。

文本生成规则：文本绑定的内容生成需要遵循特定规则，这些规则通常是人工提供并确认的。无论是人工预先编写、AI从图像生成后人工审查修正，还是设计工具直接输出，都需要人工确认规则的有效性和正确性。这种规则确认本身就是"决策过程参与"的一种形式。

这两个概念相互依存：文本绑定为决策过程参与提供了可审查和可修正的中间产物，而决策过程参与则确保文本绑定的内容符合实际需求。

Unity UGUI自动化拼接案例：在游戏开发中，传统流程是美术设计UI后，程序员根据美术示意图在Unity中使用UGUI进行可视化还原。最初尝试通过MCP服务器让AI使用可视化操作进行UI拼接，但这种方式存在控制精度低、难以审查修正的问题。受HTML+CSS工作模式的启发，意识到如果存在一套文本可以描述可视化的拼接行为，就可以让AI直接处理文本。因此，参考UIToolkit的思路，放弃传统的Prefab方式，转而直接使用C#代码进行UI拼接。选择C#的核心原因在于：UGUI本身对代码动态创建完全支持，且C#本身就是结构化的文本，便于AI理解和操作，也便于人工审查和修正。这种文本化的UI构建方式使得原本需要大量重复工作的UI拼接任务变得可以通过AI自动化处理，而文本绑定则确保了人工可以在关键节点进行精确的干预和修正。

AI模板总结

为AI总结一个任务模板绝非易事。一个优秀的模板需要尽可能多地预测可能发生的情况，并明确相应的解决思路。模板越明确、越具体，则AI的任务完成可能性就越高，输出质量也越可控。

针对指定需求的模板总结，我们可以选择与AI进行结伴处理，采用以下四步法：

核心提取

用户首先总结任务流程的核心步骤和关键节点，这通常基于个人经验或团队实践。核心提取要抓住本质，避免陷入细节。这一步骤的关键是识别流程中的"关键决策点"和"必要操作步骤"。

AI拓展

AI根据用户提供的核心流程，结合领域知识和最佳实践，进行系统性拓展，建议的AI拓展点：

• 补充遗漏的步骤或检查点：AI会识别用户核心流程中可能遗漏的关键步骤或检查点，确保流程的完整性。
• 识别潜在的异常情况和处理方案：AI会分析流程中可能出现的异常情况，并提供相应的处理方案，增强流程的健壮性。
• 添加前置条件和后置验证：AI会为每个步骤添加必要的前置条件检查和后置验证机制，确保流程执行的可靠性。
• 优化步骤顺序和并行化可能性：AI会分析步骤之间的依赖关系，优化执行顺序，并识别可以并行执行的步骤，提升流程效率。
• 提供每个步骤的具体操作指南：AI会为每个步骤提供详细的操作指南，包括具体的操作方法、注意事项和预期结果。

修正与确认

用户对AI拓展的内容进行审查，结合实际情况进行修正，确保流程既全面又实用。最终确定的流程应该：

• 符合实际工作场景：流程应该贴合实际工作环境，考虑真实的资源约束和操作条件。
• 具备可操作性：每个步骤都应该清晰明确，便于执行者理解和操作。
• 包含必要的质量控制点：流程中应该设置关键的质量检查点，确保输出质量。
• 便于后续迭代优化：流程应该具备良好的可扩展性和可优化性，便于根据实际使用情况进行调整。

模板化

整理完成的流程应该形成标准化的行为模板，可以作为团队规范、新人培训材料或AI工作流的基础模板。这样，每一次流程总结都是在积累可复用的行为模板库，形成组织的知识资产。

AI接替思维流水线

得益于AI对于动态重复式任务的高效率，现在我们可以借助AI来完成一些从前依靠人力难以处理的高量级任务。这些任务通常具有以下特征：重复性高、规则性强、执行取决于具体任务上下文、工作量巨大。AI的介入使得这些任务变得可行：

• 高复用代码设计模式的应用：高复用代码设计模式（如组件模式、状态机模式）最大的缺陷在于：随着项目发展，可复用的代码模块数量会越来越多，这会产生极大的维护成本。而AI的加入可以大大提升这类设计模式的使用上限。我们可以通过AI快速验证是否存在已有组合来完成当前需求，而对于不能组合出来的需求，也可以通过AI快速生成符合设计模式的代码实现，从而降低维护成本。
• 项目工具构建和维护：尤其是在敏捷开发的项目中，由于一般都不会为工具排出专门的时间，项目工具维护是一个让开发人员头疼的问题。工具在使用中可以反复进行功能验证，所以我们完全可以将工具的开发交给AI来完成。开发者只需要描述工具的功能需求，AI就能快速生成可用的工具代码。
• 快速原型实现：针对想法，我们可以依靠AI进行快速原型实现，从而获得更低的试错成本。这使得"想法验证"的门槛大大降低，开发者可以快速验证创意的可行性，而不需要投入大量时间进行完整实现。
• 低性价比方案的可选择性提升：借助AI，曾经一些需要大量耗时的方案其可行性显著上升。这些方案虽然理论上可行，但由于人力成本过高而被放弃，现在可以通过AI实现，从而扩展了技术选型的可能性空间。
• UI文本化构建的重新可行：在Unity UGUI等可视化UI系统中，传统方式是使用可视化编辑器进行UI拼接，这种方式虽然直观但难以自动化。通过将UI构建方式改为文本化（如C#代码、UXML等结构化文本），使得AI可以直接处理文本描述来生成UI代码，原本需要大量重复手工拼接的UI构建工作变得可以自动化。文本绑定确保了人工可以在关键节点审查和修正，实现了可控的自动化。

AI辅助代码工程

代码可行性的快速验证

在开发过程中，我们经常需要快速验证某个技术方案或代码实现的可行性，常见的使用场景包括：

• 技术选型验证：在决定使用某个新的库、框架或API之前，可以要求AI生成一个最小化的概念验证（POC）代码，快速验证该技术是否满足项目需求。
• 算法逻辑验证：当设计了一个复杂的算法或业务逻辑时，可以让AI生成对应的代码实现，通过运行结果验证逻辑的正确性，避免在完整实现后才发现设计缺陷。
• 性能优化方案验证：对于性能瓶颈，可以要求AI生成多种优化方案的代码示例，通过对比测试快速确定最优方案。
• 跨平台兼容性验证：在需要支持多个平台或环境时，可以让AI生成针对不同平台的适配代码，快速验证兼容性。
• API集成验证：在集成第三方API时，可以让AI生成调用示例，快速验证API的可用性和返回数据格式是否符合预期。

"感性代码"的快速试错与批量生成

"感性代码"是个人提出的概念，这个概念最初来源于游戏开发中使用Dotween编写程序动画的实践。在游戏项目中，大量的动画效果（如UI过渡、角色移动、特效播放等）需要通过代码来实现，这些代码本身技术含量不高，主要是对动画库API的调用和参数调整。但这类代码的编写却非常耗时，因为开发者需要反复调试参数（如缓动曲线、持续时间、延迟等）来达到理想的视觉效果，这个过程往往需要大量的试错和微调。更重要的是，这类代码的"正确性"很难用客观标准衡量，更多依赖于开发者的审美判断和项目需求的主观理解。AI的引入可以大大加速这类代码的生成和迭代，开发者只需要描述期望的效果，AI就能快速生成代码，然后开发者再根据实际效果进行微调，从而将大量重复性的参数调试工作交给AI处理。

AI代码分析

• 更加强大的静态代码分析：除了IDE对于语法错误等基本静态分析的支持，现在还可以通过AI检查出代码中可能包含的隐藏Bug点。AI能够识别逻辑错误、潜在的运行时异常、性能问题、安全漏洞等，这些往往是传统静态分析工具难以发现的。
• 代码上下文理解：在进行实际项目开发时，当需要临时接手一个已有功能模块时，实际上会有大量的时间花费在对功能模块的理解上。但如果借助AI，就可以大大加速这个过程。通过AI对代码上下文的理解，可以快速找到一条理解路径，识别关键函数、数据流向、业务逻辑等。此外，对于缺少注释的代码，AI也可以进行注释的辅助添加，提升代码的可维护性。

关于Vibe Coding

Vibe Coding（基于自然语言描述的代码生成）虽然高效，但在实际使用中会遇到以下问题：

• 上下文完整性问题：如何确保你已经将项目上下文完全告知AI？不完备的项目上下文会导致AI在进行代码生成时出现"幻觉"的可能性增加，生成不符合项目实际情况的代码。
• 理解速度不匹配：AI代码生成速度完全高于人类的代码理解速度！使用AI进行完整功能模块生成时，User几乎没有办法做到和AI进行并行编程，往往只能被动接受AI的生成结果。
• 控制度不足：如何确保User对于代码的控制度？直接使用Vibe Coding时，不论是spec工作流还是BMAD工作流，我们都只是提供了大的功能需求方向，对于具体的代码生成，User在生成完成之前是不可视的，缺乏对生成过程的控制。
• Token消耗递增：持续递增的Token消耗，尤其是在迭代阶段。由于新的需求建立在旧的需求之上，大量的Token会被消耗在上下文阅读中，成本会随着项目复杂度线性增长。

结论：需要人工干预。

AI结伴工程

将AI和人类开发者的优势有机结合，个人总结配合流程如下所示：

• 针对需求User提供核心底层架构
• User获取需求/用户故事：用户从业务方或产品方获取原始需求
• User指定项目上下文
• AI分析项目上下文：AI分析现有项目结构、技术栈、代码风格等上下文信息
• AI分析需求以及可能的衍生需求和功能：AI基于领域知识，识别需求的潜在衍生点和边界情况
• User补充衍生需求和功能：用户基于业务理解，补充AI可能遗漏的业务细节
• User确认：用户确认需求范围和优先级
• AI生成设计文档：AI生成技术设计文档，包括架构设计、接口设计等
• User确定设计文档：用户审查并确定最终的设计方案
• AI生成代码：AI完成代码实现
• AI生成单元测试：AI生成对应的单元测试代码，本质是再走一次本流程
• AI更新项目上下文：AI更新项目文档和上下文信息，为后续迭代做准备

AI结伴工程中，人类开发者将不在将精力放在具体业务实现上，而是将更多的精力放在具体一个需求或者功能的架构搭建和AI模板构建上。在具体业务逻辑的生成上，AI只要可以得到：正确的架构，AI模板，完整的功能上下文这三样关键信息。人类开发者无论是代码质量还是编码效率都无法战胜AI。

人类开发者专注于更加底层的构建并不意味着这层构建就不需要AI，相反，有了AI的辅助，对于架构，模板，以及如何将功能上下文规范化的告知AI将可以事半功倍。

AI资源信息检索

AI在资源信息检索方面具有传统搜索无法比拟的优势，主要体现在以下几个方面：

• 跨领域知识关联：AI能够识别不同领域之间的隐性关联，帮助用户发现传统搜索难以找到的跨领域解决方案。例如，在解决一个游戏开发问题时，AI可能会关联到UI设计、心理学或数据可视化等领域的最佳实践，这种跨领域的知识迁移往往能带来创新性的解决方案。
• 语义理解与意图匹配：不同于关键词匹配，AI能够理解用户的真实意图，即使使用不同的表达方式，也能找到相关的资源。这对于技术文档检索、代码示例查找等场景特别有用。用户可以用自然语言描述需求，AI能够理解并找到最相关的资源。
• 资源整合与总结：AI不仅能够找到相关资源，还能对多个来源的信息进行整合、去重和总结，生成结构化的知识摘要。这大大提升了信息获取效率，用户不需要逐一阅读多个文档，就能获得综合性的知识概览。
• 实时资源生成：当现有资源无法满足需求时，AI可以根据需求描述直接生成代码示例、配置模板、文档草稿等资源，实现从"检索"到"创造"的跨越。这使得AI不仅是信息检索工具，更是资源创造工具。

AI辅助学习

个人知识体系构建

对于个人来说，在构建个人知识体系上并不需要完备的概念定义，更多需要的是保证假设和概念在特定的经验范围内是完全成立的。这类假设可以称之为经验假设或经验概念。

这类概念和假设的成立依赖于特定的经验范围。特定的经验范围表示你的假设只会关注特定的变量，而对于其他变量则会依据经验给予默认值。这种"局部完备性"比"全局完备性"更实用，因为它允许我们快速定义假设并在反复推演中完善假设，从而快速整合知识架构。AI可以帮助我们快速验证这些经验假设，并在不同场景下进行推演，加速知识体系的构建。

问答式交互学习

可以与AI进行问答交互式学习。通过与AI问答和讨论，结合其他信息源反复验证猜想和假设，构建知识体系。这种学习方式的优势在于：

• 即时反馈：可以随时提问，获得即时回答
• 多角度探讨：可以从不同角度探讨同一个问题，获得全面的理解
• 假设验证：可以快速验证自己的假设和猜想，发现知识盲点
• 知识关联：AI可以帮助发现不同知识点之间的关联，构建知识网络

文档整理

对于已有文档，我们可以让AI对文档内容进行注释，补充，拓展或者精简优化等。

概念驱动的文档生成

文档生成的前提一定是你自己知道文档大纲或者内容，并为此已经产生了思考，否则这种生成是没有意义的。文档整理和创建的核心不在于整理和创建而在于整理和创建时人类自己所产生的思考过程。

在文档整理过程中，我们可以采用"概念驱动"的方式，即用户告诉AI希望整理的核心概念和概念之间的联系，由AI来完成具体的文档生成工作。这种方式的优势在于：

• 降低认知负担：用户不需要预先构思完整的文档结构，只需要明确想要表达的核心概念和关系，AI会根据概念自动组织内容结构。这大大降低了文档创作的启动门槛。
• 知识体系化：AI能够将零散的概念整合成系统化的知识体系，自动补充概念之间的关联、层次关系和上下文说明。这使得文档不仅包含知识点，还展现了知识之间的逻辑关系。
• 多角度展开：AI可以从不同角度展开概念，包括定义、应用场景、最佳实践、常见问题等，使文档更加全面。这种多角度的展开有助于读者从不同维度理解概念。
• 可持续的迭代优化：用户可以对AI生成的文档进行审查，指出需要调整或补充的部分，AI根据反馈进行迭代优化，形成"用户提出概念 → AI生成内容 → 用户审查修正 → AI优化完善"的闭环。这种迭代方式确保了文档质量的持续提升。

这种方式特别适用于技术文档编写、知识库建设、培训材料制作等场景，能够大大提升文档整理的效率和质量。