了解我的人都知道，我一直专注于怎么让 AI 去更好地维护需求、开发功能。这套流程，是最近这一轮实践里沉淀出来的最佳实践。

这两年我用 AI 写了不少东西，从一行脚本到整套系统。踩过的坑多了之后，我总结出一条自己真正信得过的路子：别让 AI 直接写代码，先让它把需求"翻译"成一份几万字的设计文档，人读完、盲审通过，再动代码。听着绕，实际上快得多。

核心命题

3-4 个快速便宜模型组队协作，能不能胜过 1 个昂贵慢速模型？

答案是能。不是拍脑袋说的——2024-2025 年有一系列研究支持这个结论。pi-multi-agent 就是这个思路的工程化实践：把一个大任务拆给多个 agent，每人一个角度，辩论、碰撞、互相审查，最终产出质量远超单个模型独自干活。

问题：AI写代码太快了

Vibe-Coding正在改变软件开发的节奏。AI编码工具让代码生成速度提升了10倍甚至100倍。但这种速度带来了一个显而易见的问题：代码失控。

日耗五百万 token,我闲庭信步;日耗五千万 token,我酣畅淋漓;日耗五亿 token,我汗流浃背。

背景与问题

单 Session 的上下文成本

LLM 的每次调用都需要将完整的对话历史传入,这意味着 context 随工具调用数线性增长。一个复杂任务执行 50 次工具调用后,第 51 次调用要携带前 50 条历史–不仅成本高,LLM 在过长的 context 中还容易失焦、漏掉关键信息。

概述

从今年元旦结束、回来上课以来，开始高强度使用 AI（特别点名 Claude Code），帮助自己做了很多项目、写了很多软件。这么长时间以来，对计算机程序员如何使用 AI 的心路历程，算是走了一个又一个阶段。脑子里很多东西，希望能写下来帮助自己反思和总结。

一句话介绍

一套完整的需求驱动开发工作流框架,把"需求分析 → 技术设计 → 编码 → 安全审计 → 代码清理 → 合规审查 → 验证 → 归档"这 8 个阶段做成了 Claude Code 的可执行技能,支持断点恢复和正式变更管理。