SCHEME C · 靛紫 / 琥珀

跨区 & AI 辅助研发赋能分享

打通工具链 · 架构师思维 · 实战案例

🎬 Vibe Coding 常见困境？

明明使用了 AI，开发效率却没有提高

明明使用了 AI，开发效率却没有提高 常见困境

方向全错

让 AI 改了半天代码，最后发现方向全错了

越改越乱

AI 越改代码越乱，只能推倒重来

前后矛盾

上下文越来越长，AI 开始前言不搭后语

效率没提升

多个工具来回切换，开发效率没提高

换汤不换药

换了新工具，感觉和以前没什么区别

根因：工具链断裂
旧工作流 碎片化 · 手工操作
1

打开网页

✕
2

粘贴代码

✕
3

复制结果

✕
4

手动修改

✕
5

再开新窗口…

新工作流 AI IDE · 端到端自动化
1

AI IDE

2

分析架构

3

设计方案

4

实施计划

5

AI 开发&测试

6

推送代码仓

7

内网 git pull

工具链打通后，AI IDE 直接分析架构、设计方案、执行测试、推送代码 —全程无需手动在多个窗口间切换

本次目标

打通工具链

从工具选型到跨区同步，搭建完整的 AI 辅助开发环境

学会用好它

架构师思维 + 实战技巧，让 AI 真正成为生产力倍增器

Part 1：AI 时代，能力要求变了

从「写好代码」到「做好设计」

核心观点

⬤ 旧时代

「写好代码」

手动编码是核心竞争力

→

⬤ 新时代

「做好设计」

架构设计与方案评审是核心竞争力

新角色定位：架构师思维

AI 的角色

高级外包团队

执行力极强，写代码、跑测试样样精通

你的角色

架构师

负责顶层设计与方案评审，把控全局方向

没有好的设计，AI 执行得越快，偏差越大

正确工作流
正确路径 设计驱动 · 方案先行
1

明确目标

2

输出设计方案

3

扮演挑战者评审

4

细化实施计划

5

交给 AI 执行

反例：直接让 AI 写代码 → 改了半天 → 发现方向全错 —— 问题不在 AI，在于缺少设计阶段

Part 2：跨区工具链搭建

硬件 · 同步 · AI 编程工具选型

硬件方案

外网机

Mac Mini

~3000元，16GB，性价比首选

外设共享

USB 切换器

~50元，一套键鼠同时控制两台机

硬件方案
跨区代码同步
跨区同步链路 Git + 私有仓库
1

外网机开发

2

git push 私有仓库

3

内网机 git pull

可配合 rsync 自动上传服务器

AI 编程工具选型

对话优先

Codex / OpenCode

从 ChatGPT 迁移，成本最低

命令行优先

Claude Code

熟悉终端，偏好轻量无 GUI

IDE 优先 ⭐

Antigravity

想对代码有掌控感

Codex

Codex 界面

OpenCode

OpenCode 界面

为什么选择 Antigravity 1/2

文件树、代码始终可见

方便随时检视和修改

精准 @文件 和代码块

更精准的上下文控制

文件树

文件树视图

@引用

@引用功能

为什么选择 Antigravity 2/2

内置 Browser Agent

打开浏览器、访问网页、截图调试

并行任务、workflow、自定义 skill

流程自动化，可扩展定制

Browser Agent

Browser Agent

并行任务

并行任务

🚀 Part 3：案例一——从零开发新项目

golden-moment-predictor（川西旅行景观预测引擎）

📋 项目背景

功能

景观预测引擎

基于气象数据预测日照金山、云海、观星、雾凇等自然景观出现概率

技术栈

全栈应用

Python 后端 + Vue 3 前端 + 高德地图 + ECharts

🗺️ 本案例涉及的 4 个核心技巧

技巧一

🔄 分阶段开发

设计 → 计划 → 开发 → 检视，流水线推进

技巧二

📝 文档优先

先完成设计方案文档，不急着写代码

技巧三

🔍 扮演挑战者

对方案不断质疑，逼到经得起推敲

技巧四

✂️ 上下文主动切分

拆分任务，避免单次会话过长丢信息

接下来以 GMP 项目为例，按 pipeline 阶段逐步展开

💡 技巧一：分阶段开发
开发流水线 分阶段 · 减少噪音
1

设计方案

2

实施计划编写

3

代码开发 /impl

4

代码检视 /check-impl

开发阶段只看实施计划，不看设计讨论过程 → 减少上下文噪音，AI 更专注

💡 技巧二：文档优先

先完成设计方案文档，不急着写一行代码

设计先行，让 AI 有依据可循，而不是盲目开发

📝 实际做法：先花 3 天写设计文档

2026-02-09

v1.0 — 初版文档（1份 .md）

2026-02-10

v2.0 — 全面重写：ER图、评分一致性、ScoreEngine注册机制

2026-02-10

v3.0 — 架构重构：可插拔 ScorerPlugin 体系

2026-02-12

v4.0 — 最终对齐，移除并发，明确同步架构

2026-02-12

✅ 开始写第一行代码

📂 设计文档示例（共 12 个 .md）
设计文档目录

文档目录索引

设计文档内容

可插拔评分器架构（节选）

💡 技巧三：扮演挑战者迭代设计

对方案的架构、时序图、组件关系不断提问和质疑

目标：把方案逼到经得起推敲才算完成设计

🔍 GMP 实际挑战到的问题
质疑点 结果
架构是否足够可插拔？ 重构为 Plugin 体系，DataContext 复用
只支持单站点，能否支持「线路」？ 新增 Route/RouteStop 概念
文档之间有 10 处不一致？ 逐一修补，SafetyFilter 改为 Plugin 自治
并发设计是否真的必要？ 果断移除，明确 CLI-only 同步架构
💡 技巧四：上下文主动切分

单个会话过长 → AI 丢失重要信息

实践方法

任务拆分

把任务拆成独立子任务，每个子任务独立会话完成

探测信号

🐱 喵喵规则

在 system prompt 中要求 AI 每次回复末尾加「喵喵」
如果丢失 → 说明上下文已过长 → 立刻开新会话

📦 GMP 实施计划示例（共 30+ 个）
实施计划总览

实施计划总览（模块拆分）

实施计划详情

M09A 云海评分 Plugin（节选）

AI 的注意力就像手电筒，你给的输入越精准，它照的越准。

🖥️ /impl 和 /check-impl 实际效果
/impl 代码开发

/impl — AI 读取实施计划并执行开发

/check-impl 代码检视

/check-impl — AI 对照计划生成检视报告

📊 AI 检视报告节选
检视报告
✅ 与实施计划一致性：完全一致
✅ 与设计文档一致性：完全一致（§11.4 reject_reason 字段定义）
✅ 测试覆盖：覆盖计划中列出的全部测试点
⚠️ [Low] 建议补充 breakdown 全部 max=0 的边界测试用例
整体结论：✅ 通过

让 AI 监督 AI」

🏆 GMP 成果数字

v4.0

设计文档版本迭代

v1.0 → v4.0，6 个版本

30+

实施计划文档数量

拆分到功能单元级

455

后端单元测试

全部通过

364

前端单元测试

全部通过

7

支持景观类型

日出/日落金山、云海、观星等

46

覆盖观景台数量

川西全域

🔬 Part 4：案例二——分析和参与已有项目

项目：AgentScope（阿里巴巴开源的多智能体应用开发框架）

🗺️ 本案例涉及的 2 个核心技巧

技巧一

🔗 工具链串联

网页 AI 调研广度 + 本地 AI 精准度互补

技巧二

🎯 探索模式问法

问「为什么这样设计」而非「怎么用 API」

接下来以 AgentScope 项目为例，展示如何快速理解并参与陌生项目

🧩 挑战：如何高效读懂陌生项目

方式一

🖥️ 直接让 AI 分析本地代码

✅ 方便快捷
⚠️ 大项目容易遗漏，代码量超出上下文

方式二

📖 看 DeepWiki / 官方文档

✅ 有结构化 Wiki + 对话式定位代码
⚠️ 只能在线看，无法喂给本地 AI

推荐 ⭐

🔗 网页 AI + Voyager 导出

AI 主动调研整合，导出为本地文档
需额外安装 Voyager 插件

📋 推荐工作流
1

Gemini Deep Research

2

Voyager 导出 MD

3

IDE 对照代码 深入分析

4

套用 Part 3 方法

🔗 工具链串联的价值

网页 AI 的调研广度 + 本地 AI 的代码精准度，两者互补

📖 AgentScope 深度洞察报告 342行 · AI 自动生成

项目规模：2年演进历史（v0.0.1 → v1.0.0），跨越 Alibaba 内部孵化到开源，数千次提交

AI 一次性梳理出的结构
✅ 项目定位：面向开发者的多智能体编程框架（AOP范式）
✅ 核心架构：4大基础模块（Message / Model / Memory / Tool）
✅ 核心范式：ReAct 智能体工作流
✅ 分布式 Runtime：Engine + Sandbox 双引擎架构
✅ 评估体系：GeneralEvaluator → RayEvaluator（分布式生产）
✅ 生态集成：LangChain Adapter / MCP 协议 / Mem0 长期记忆
🎯 核心技巧：探索模式问法

❌ 错误问法

"AgentScope 的 Memory 怎么用？"

AI 会给你一份 API 使用说明，等同于直接看文档

→

✅ 正确问法（探索模式）

"AgentScope 的 Memory 和普通的 Chat History 有什么本质区别？它的设计到底在解决什么问题？"

🧠 AI 分析出的双控制模式

Session 级

开发者控制

record / retrieve — 系统性管理生命周期

Runtime 级

智能体控制

record_to_memory / retrieve_from_memory

为什么回答这么准？ 导出的文档包含了官方架构说明和代码示例，AI 有依据，不是在猜

🎯 Part 5：Tips & 工具使用心态

引导 AI 的正确姿势

💡 Tip 1：引导 AI 的两种模式

不熟悉的领域

🔭 探索模式

客观描述问题，不给倾向性引导，让 AI 发散候选方案

有明确方案后

🎯 定向模式

给出精确指令，锁定范围，避免 AI 自作主张扩大改动

自然流程：先探索 → 选定方向 → 再定向执行

📱 真实案例：GMP 前端架构选型 探索模式

❌ 错误问法（带倾向性）

"帮我用地图做前端，按照高德地图的方式"

→

✅ 正确问法（探索模式）

"我需要一个前端界面，展示川西 46 个观景台的景观预测分数。用户群是手机端旅行者，需要方便截图发朋友圈。请给我几个候选架构方案。"

🗂️ AI 给出 3 套并行方案

方案 A · 最终选择 ⭐

沉浸地图

地图即一切，点击标记点获取信息
参照：Google Maps / 高德 App

方案 B

分屏浏览

列表优先，效率为王，地图辅助定位
参照：Airbnb / 携程酒店列表

方案 C

卡片流

卡片本身就是分享图，左右滑动浏览
参照：Instagram / 探探

如果一开始就说"用地图做"，AI 只会给出一套方案。探索模式让我看到了我根本不知道存在的 B、C 方案。

🧭 Tip 2：做工具的使用者，不是被工具带着走

保持全局视野

始终清楚自己在做什么

果断中止 + 重新开始

发现 AI 偏离轨道时，不要无脑 "try again"

避免频繁 retry

频繁 retry 往往会在错误方向上越走越远

📌 总结

🔄 新旧思维对比

❌ 旧思维

能力重心：写好代码

与 AI 协作：随意提问，听 AI 的

工具使用：网页粘贴，手动复制

质量保障：人工 review

上下文管理：一个会话到底

学习新项目：从头读代码

遇到问题：反复 retry

→

✅ 新思维

能力重心：做好设计

与 AI 协作：主动引导，审 AI 的

工具使用：IDE 集成，自动执行

质量保障：AI 监督 AI

上下文管理：主动分段，按需新开

学习新项目：工具链串联调研

遇到问题：分析根因，重新出发

❓ Q&A

你们的工具怎么解决网络问题的？

喵喵规则真的有用吗？

实施计划怎么写才算好？