AI Coding 的效率，不只取决于模型能力，更取决于你如何给它背景、边界和验证机制。基于一份 AI Coding 最佳实践清单，我把它精简成七个关键词：敢许愿、给背景、小步走、可验证、写审分离、危险人工确认、持续复盘。
1. 编程方式：从“抠细节”转向“许愿式编程”
模型能力已经足够强，不必替 Agent 考虑所有技术细节。大胆说清想法，提出足够高的目标和要求，具体实现让它自己判断。
但“许愿”不是空想。你要多讲背景、目标、用户和使用场景：为什么要做、给谁用、什么效果最好。少指挥技术细节，多提供判断依据。
同时，优先用业界最好的模型。差模型省下的不是时间，而是来回返工和情绪成本。
2. 需求边界：新功能先问，不要偷偷加开关
要不要做新功能、加新配置或开关，先让 Agent 找你确认。没有人用的功能、开关和文案，不要让它随手加。久而久之，把产品规范沉淀给 Agent。
想法可以很大，但每次干活要拆成最小可用功能版本。不要一次写太多代码，即使提交也要小步走，出问题才能随时撤回。
3. 协作规则：让 Agent 懂你的说话风格
明确区分“看看、分析一下”和“修复、修改”：前者只读代码、分析问题，不要动手；后者才允许改代码。提交、发布、删除等动作，必须找你确认。
Agent.md、CLAUDE.md 里除了重点项目要求，只写代码里看不出来的规则，以及被否决过的方案。密钥和 token 不要贴给 Agent，贴了就当已泄露，立即更换。
必须遵守的规则不能只靠 prompt，要用规则脚本限制，并让 Agent 真实跑通才算完成。
4. 编码与验证：先讲影响，再写验证脚本
写代码前，先让 Agent 讲清楚：要改哪里、会影响哪些功能和效果。这一步是在补你的上下文，方便你做决策。
每个项目都应有一个能让 Agent 自验结果的脚本。完成功能后跑验证、看输出，并逐步沉淀成项目自己的 Agent 测试功能集。
多个 Agent 并行时，各用独立 worktree；提交时只提交自己改的代码，不碰他人代码。全部改完合并后，再完整跑一遍测试。
5. 排查：先找原因，别盲目猜
修 Bug 先定位原因再动手。如果两次没修好，就加日志看真实数据和运行效果，不要继续猜。
如果尝试修复三次仍不对，直接清空上下文，重新写清楚问题、诉求和尝试过的解法，让 Agent 重新开始。
6. 审查：写代码和 Review 要分开
写代码的 Agent 和 Review 代码的 Agent 应保持解耦，避免一方被另一方带偏。
Review 最多跑 3 轮，防止停不下来。第二轮开始只看新改动，不重复审查旧内容。
越危险的改动越要深查。删除、付费、发布这类“单向门”改动，你必须亲自看一遍、点一下，确认实际效果。
7. 发布与复盘：小范围验证，把坑变成测试
每次提交让 Agent 写清楚：做了什么、怎么验证、出问题怎么回滚。Git 记录本身就是 Agent 后续开发的重要上下文。
对外功能先给自己或愿意尝鲜的用户用，软件里可加 beta 开关，没问题再全量，不要一上来就面向所有人。
每个线上 Bug 和用户反馈都留一个测试案例，上线前跑一遍。换模型时也可以拿旧问题回归，看看模型是否还靠谱。
修复问题时让 Agent 举一反三，把同类问题一起修掉；优化功能和视觉时也一样，避免只改一处、漏掉其他。
一句话总结
给 Agent 足够高的目标和足够清楚的背景，但用最小步长、验证脚本、权限边界和人工确认兜底；让它放手写，也让它可验证、可回滚、可复盘。
