AI Coding

AI Coding 是把大模型能力落到“真实代码生成与维护”的工程化实验。本页记录实验方向、可复用结论与失败案例。

实验方向

• 多模型协作：规划—生成—审查的分工与编排。
• 长上下文管理：大型仓库的检索增强与上下文裁剪。
• 代码生成质量：从片段到可运行模块的可行性边界。
• 回归与测试：生成代码的自动验证与合并门槛。

可复用结论（持续更新）

1. 上下文边界比模型选择更重要：喂错上下文，再强的模型也产出垃圾。
2. 小颗粒任务更稳定：把“做一个功能”拆成“改一个函数 + 加一个测试”。
3. 审查环节不可省：生成快、审查慢，瓶颈始终在审查。

失败案例

记录“没跑通”的尝试，避免重复踩坑。后续补齐。

关联

• 方法论见 知识库 — AI 编程。
• 工具实验见 个人工具与产品实验。