llms.txt

# AI Coding

AI Coding 是一个中文知识站，面向 AI 时代软件工程。它不把 AI Coding 理解成“让 AI 多写代码”，而是把它当成端到端软件交付系统。

核心模块：

- 起步：心智模型、操作系统、成熟度模型、事实源。
- 全景：知识地图、Token 预算取舍、工具生态、上下文与记忆、仓库理解、协议与运行时、Benchmark、本地评估集、安全、产品设计、数据迁移、观测成本、失败模式。
- 工作流：PRD、需求切片、上下文工程、实现循环、写代码实战方法、人机交接。
- Harness 引擎：MCP、工具生态、工作流图、权限、安全、多 Agent、证据库和人工关口。
- 验收：AI 先审验收、审查 Agent 组、测试质疑 Agent、安全红队、证据包、人工裁决。
- 质量：架构治理、测试策略、安全、发布、可维护性。
- 团队：运行模型、角色、指标、工具选型。
- 参考：提示词模板、审查 JSON 契约、检查清单、术语表。
- 附录：Claude Code、Anthropic Harness、OpenAI Agents、LangChain / LangGraph 等资料映射。

核心观点：AI Coding 正在从“模型能力”和“上下文技巧”转向 Harness 引擎。AI 生成代码后，不应让人成为第一层瓶颈；应先由 AI 审查实现、测试、安全、治理和证据，再由负责人裁决高风险、阻断级、冲突和产品判断。

预算原则：不是越全越好。完整 Harness、长上下文、审查 Agent 组、端到端测试、链路记录和证据包都会消耗 Token、工具时间、CI 时间和人的注意力。预算紧张时，优先缩小任务范围，保留关键事实源和高风险闸门，并用人工补充上下文、抽样审查或手工验收。