规划流程

• 制定全面计划：先与 AI 协作，在 Markdown 文件中编写详细的实施计划（解释：借助 AI 梳理思路，用 Markdown 的结构化特性确保计划清晰可追溯，避免遗漏关键环节）
• 评审与优化：删除不必要的内容，若功能过于复杂则标记为 “暂不开发”（解释：通过精简和优先级划分，防止计划膨胀导致精力分散，聚焦核心目标）
• 保持范围可控：单独设立 “后续想法” 板块，以此保持专注（解释：将非核心需求暂时剥离，避免开发中频繁偏离主线，确保当前阶段目标明确）
• 增量式实现：分模块逐步开发，而非试图一次性构建所有内容（解释：降低单次开发复杂度，便于及时发现问题，同时能快速看到阶段性成果）
• 跟踪进度：功能成功实现后，让 AI 将对应板块标记为 “已完成”（解释：通过可视化进度管理，清晰掌握开发节奏，增强推进动力）
• 定期提交代码：在进入下一个模块前，确保当前工作板块已提交至 Git（解释：避免代码丢失，同时为后续可能的回滚提供依据，降低开发风险）

版本控制策略

• 严格使用 Git：不要完全依赖 AI 工具的 “回退” 功能（解释：AI 工具的回退机制可能不完善，Git 作为专业版本控制工具，能更可靠地管理代码历史）
• 从 clean 状态开始：开发每个新功能时，以干净的 Git 状态启动（解释：减少历史代码干扰，降低新功能与旧代码冲突的概率）
• 卡顿时重置：若 AI 陷入 “空想式编码”，使用 git reset --hard HEAD 命令重置（解释：当 AI 生成的代码偏离需求且难以修正时，快速回到干净状态重新开始，避免无效堆叠）
• 避免累积问题：多次失败的尝试会导致代码层叠式崩坏（解释：错误代码的反复修改会让逻辑越来越混乱，后期调试成本呈指数级上升）
• 干净地实现：当最终找到解决方案时，重置并干净地实现代码（解释：确保最终代码逻辑清晰、无冗余，便于后续维护和扩展）

测试框架

• 优先高阶测试：相较于单元测试，更注重端到端的集成测试（解释：从用户实际使用场景出发验证功能，更能发现真实环境中的问题，避免 “单元测试通过但整体用不了” 的情况）
• 模拟用户行为：通过模拟用户点击网站 / 应用的操作来测试功能（解释：站在用户视角验证交互逻辑，确保功能符合实际使用习惯）
• 捕捉回归问题：大语言模型（LLM）常对无关逻辑进行不必要的修改（解释：AI 可能在优化某功能时误改其他代码，测试能及时发现这类 “牵一发而动全身” 的问题）
• 分步前先测试：进入下一个功能前，确保测试通过（解释：及时验证当前成果，避免带着问题推进，防止后期问题集中爆发难以定位）
• 用测试作 “护栏”：部分创始人建议从测试用例入手，以明确边界（解释：先定义 “什么是对的”，为 AI 提供清晰的目标框架，减少无效尝试）

高效调试

• 利用错误信息：直接复制粘贴错误信息，对 AI 而言通常就足够了（解释：错误信息包含具体报错位置和原因，能帮助 AI 精准定位问题，提高调试效率）
• 编码前先分析：让 AI 思考多种可能的原因（解释：避免 AI 局限于单一思路，通过多维度分析覆盖潜在问题点）
• 失败后重置：每次修复尝试失败后，从 clean 状态重新开始（解释：防止错误修复方案的残留代码干扰下一次尝试，保持代码环境纯净）
• 实现日志记录：添加策略性日志，以更好地理解程序运行情况（解释：通过日志追踪代码执行流程，快速定位隐藏在逻辑深处的问题）
• 切换模型：当一个 AI 模型卡住时，尝试不同的模型（解释：不同 AI 模型的训练数据和逻辑侧重不同，换模型可能带来新的解题思路）
• 干净地实现修复：一旦确定修复方案，在干净的代码库上重置并实现（解释：确保修复后的代码无冗余，避免 “补丁摞补丁” 导致的维护难题）

AI 工具优化

• 创建指令文件：在合适的文件（如 cursor.rules、windsurf.rules、claude.md）中为 AI 编写详细指令（解释：将长期有效的要求固化为文件，避免重复沟通，确保 AI 持续遵循统一标准）
• 本地文档化：将 API 文档下载到项目文件夹，以确保准确性（解释：AI 对实时 API 细节的记忆可能有偏差，本地文档能让 AI 参考最新、最准确的信息）
• 使用多工具：部分创始人会在同一个项目中同时运行 Cursor 和 Windsurf（解释：不同工具的优势互补，能提高解决方案的多样性和质量）
• 工具专业化：Cursor 在前端工作中速度稍快，而 Windsurf 思考更慢（但可能更深入）（解释：根据任务类型选择工具，前端快速迭代用 Cursor，复杂逻辑分析用 Windsurf，提升效率）
• 对比输出结果：生成多个解决方案，然后挑选最佳方案（解释：通过横向对比不同方案的优劣，选择最适合当前场景的实现方式）

复杂功能开发

• 创建独立原型：先在干净的代码库中构建复杂功能（解释：隔离复杂逻辑与主项目，降低对现有代码的干扰，便于专注突破难点）
• 使用参考实现：将 AI 指向可参考的工作示例（解释：给 AI 提供具体的 “标准答案” 模板，减少其凭空创造的试错成本）
• 清晰的边界：保持外部 API 一致，同时允许内部修改（解释：确保复杂功能与其他模块的交互稳定，内部逻辑则可灵活优化）
• 模块化架构：具有清晰边界的基于服务的架构，比单体仓库（monorepos）更适用（解释：模块化能降低代码耦合度，让 AI 更容易理解和修改单一模块，减少连锁反应）

技术栈考量

• 成熟框架更出色：Ruby on Rails 因 20 年的一致约定而表现良好（解释：成熟框架的规范清晰、社区支持完善，AI 对其语法和最佳实践的掌握更精准）
• 训练数据很重要：像 Rust 或 Elixir 这类较新的语言，训练数据可能更少（解释：AI 对训练数据少的语言理解有限，容易生成不规范代码，增加调试成本）
• 模块化是关键：小而模块化的文件，对人类和 AI 而言都更易处理（解释：文件体积小、逻辑单一，便于 AI 快速理解上下文，减少解读偏差）
• 避免大文件：不要保留数千行的超大文件（解释：大文件逻辑复杂、上下文关联紧密，AI 难以整体把握，容易在修改时出错）

编码之外

• DevOps 自动化：用 AI 配置服务器、DNS 和托管服务（解释：AI 可生成标准化配置脚本，减少手动操作的繁琐和错误）
• 设计辅助：生成图标等设计元素（解释：借助 AI 快速产出基础设计素材，降低对专业设计工具的依赖）
• 内容创作：起草文档和营销材料（解释：AI 擅长文字组织，可快速生成初稿，节省内容创作时间）
• 学习工具：让 AI 逐行解释实现逻辑（解释：通过 AI 讲解代码细节，帮助开发者理解陌生技术或复杂逻辑）
• 使用截图：可视化分享 UI bug 或设计灵感（解释：图片比文字更直观，能让 AI 精准理解视觉相关的问题或需求）
• 语音输入：像 Aqua 这样的工具支持每分钟 140 词的输入（解释：语音输入比打字更快，适合快速记录想法或下达指令）

持续改进

• 定期重构：测试到位后，频繁进行重构（解释：通过重构优化代码结构，避免技术债务累积，保持代码可维护性）
• 发现优化机会：让 AI 寻找可重构的候选点（解释：AI 可从全局视角识别冗余或低效代码，提供人类可能忽略的优化方向）
• 紧跟更新：尝试每一个新的模型版本（解释：新模型通常在特定任务上有性能提升，及时体验可发现更高效的工作方式）
• 识别优势：不同模型在不同任务上各有所长（解释：了解各模型的擅长领域，在合适的场景使用合适的工具，最大化效率）