过去一年，AI 编程工具集中爆发——有的专注补全提示，帮开发者把代码写得更快；有的用对话交互驱动开发，一句话就能改代码；有的深度融入编辑器，AI 能力触手可及。这些工具都在解决同一个问题：如何降低"写代码"的门槛。 但当门槛降低之后，一个新的问题随之浮现——如何用好这些工具。工具本身的能力在那里，但体验好不好，很大程度上取决于是否掌握了正确的使用方式。 这篇文章整理了我在 Claude Code 上摸索出的一些实用技巧：如何让 AI 遵守项目规范、如何让重复操作自动执行、如何拦截危险操作、如何在长对话中保持回答质量。抛砖引玉，如有错误或疏漏，欢迎指正。
你有没有发现跟大模型对话，同样的提示词每次结果都不一样。 这符合我们对于“大模型的本质就是个猜词器”的一贯认知。然而，可重复性是科学进步的基石。因此让大模型输出完全确定的结果是一个非常值得研究的问题，特别是强化学习需要确定性的 Rollout，来保证实验的可复现性和训练过程的稳定性。
AI 已经完全重新定义软件开发的成本结构，过去那些「不值得做」的小工具，现在可以在数小时内借助 AI 完成交付。本文将结合个人实践，分享如何从日常工作中识别痛点、利用 AI 构建提效工具，并介绍几个在 AI 编程过程中积累的实用技巧。
关于AI对经济增长与生产率的影响，有三种不同的判断。乐观派相信，AI能通过研发自动化大幅推高经济增长率，甚至可能引发“奇点”式的爆发式增长。主流温和派承认AI会带来生产率提升，但也强调AI 对生产率的贡献受到多种现实瓶颈的制约（如成本节约有限、AI暴露度有限、短板效应、物理与能源约束、监管伦理摩擦等），这些瓶颈相互叠加，可能让AI红利远低于乐观派的估计。悲观派则对任务层面的AI暴露度、生产率提升幅度、AI技术的扩散速度等持极其保守的态度，或者担心AI主要被用来“替代”而非“增强”劳动力，警告过度自动化可能导致劳动收入份额下降，从而压制消费和总需求，拖累经济增长。
OpenClaw 的创始人在 6月8日 凌晨 2:58 发布推文： Here's your monthly reminder that you shouldn't be prompting coding agents anymore. You should be designing loops that prompt your agents.”。简单翻译一下就是：我们要设计一个循环去代替不停地Prompt，把人从流程中拔出来。loop是不是又是AI圈造了一个新词，不清楚，但是确实给我们看待“问题”提供了一个新的视角。
个人 AI Coding 的效率提升已无悬念，但团队规模铺开后，一个更深的短板暴露了：每次 session 踩坑、纠偏产出的有效经验，session 结束即归零。业界在 Agent 经验管理上的探索多聚焦"个人记忆"，而要打破AI每次进项目都"从零开始"的循环，需要的是一套能持续捕获、提纯、沉淀团队经验，让AI带着项目语境进场的系统。本文分享从 0 到 1 建设这套系统的完整过程——从初版 90% 候选经验为废料的起点，到打磨出 Review/Dedup/Merge 三层治理链路，每一步踩在真实问题上的演化路径，以及驱动策略设计的实验数据和可复用方法论。
