本文是「AI 效能」系列的第八篇。前七篇分别讨论流程边界、工作区初始化、自动链编排、代理记忆与自愈闭环;这一篇把视角拉回生成之前:为什么只盯 Review 不够,以及怎样用 ACW 把输入治理前置。

这两年看 AI 编程的讨论,大部分精力都花在 Review 上:模型自审、审查 Agent、diff 检查清单。Review 重要,但更便宜的位置在动手之前:把输入管住。

很多“AI 写得脏”的问题,不是模型能力不够,而是输入里没有目标、约束和验收标准。Review 只能发现偏差,补不回缺失的上下文。

Review 是下游,不是起点

代码写完再审,成本最高。方向错了,Review 只能指出“这里不对”,没法回答“当初该做什么”。需求没写清楚,审查者只能凭经验判断“看起来合理”,很容易变成风格挑刺。

Review 的上限取决于审查者的上下文。不知道目标、事实边界和取舍理由,人和模型只能审语法和局部逻辑,审不了“这件事该不该做”。

所以 Review 是质量体系的最后一道门,不是质量体系本身。

用 IPO 看 AI 写代码

阶段 控制什么 常见失败
Input 目标、事实、规则、技能、子代理、验收标准 需求含糊、背景缺失、规则冲突
Process 按已确认的结构和规格执行并留痕 直接开写、跳过设计、边写边改需求
Output 按需求和规范逐项审计 只凭感觉说“整体不错”

Input 不是把资料塞进 Prompt,而是让 AI 按需读到正确的文件;Process 不是自由发挥,而是按已确认的结构和规格执行;Output 不是让另一个模型说“没问题”,而是逐项对照需求和规范。

三段里 Input 的杠杆最大:它是唯一能在生成前改变结果的地方,Process 和 Output 都只是在减少损失。技能决定方法,子代理决定分工,这些也该在 Input 阶段配好。

ACW 把 Input 变成可加载的上下文

ACW(AI Context Workspace,AI 上下文工作区)是我常用的一套组织方式。它不是某个工具的功能,而是把长期背景、规则、任务状态和产物放进一个 AI 能按需读取的工作区。

位置 作用 对应阶段
入口文件 项目说明与目录路由 Input
background 稳定事实和领域背景 Input
conventions 行为规范、流程和验收标准 Input / Output
artifacts 需求、结构、规格和 Review 记录 Process
projects 最终产物 Output

关键不是目录名,而是 AI 知道何时读哪个文件、哪些规则优先、产物写到哪里。入口只做路由,规则按任务加载,不靠超长 Prompt 解决所有问题。Input 因此从“临场写一段话”变成了“维护可检查的上下文”。

Process 要留下可检查的中间产物

有了 Input,Process 才有依据。复杂任务不要从需求直接跳到产物,中间至少留下需求、结构和执行规格。

写作先审目录再写正文,写代码先审接口再写实现。审一份目录、一个接口设计,比审一万字正文、几千行代码便宜得多。Review 越往前放,返工成本越低。

这套流程不必全走:小改直接做,中等任务留需求和草稿,复杂任务才建完整 artifacts。工程化按风险选流程。

Output 的 Review 要对准需求

Output 的 Review 仍要做,但标准不该是个人口味,而该是 Input 阶段写下的需求和 conventions 里的验收标准。

好的 Review 记录要指出位置、问题、影响和建议,而不是一句“整体不错”。问题还要回流:修完这一次,再把共性问题写进规范,下一次的 Input 才会更干净。

Review 的终点不是这次通过,而是下次不再犯。

为什么大家还是盯着 Review

因为 Review 看得见。它容易演示,容易做成产品功能,也容易让人有“我至少检查过了”的安全感。输入治理是慢功夫:写清目标、整理事实、提炼规则,还要更新工作区。

但只抓 Review 会陷入循环:产物越脏,Review 越重;Review 越重,生成越慢;最后以为是模型不强,其实是 Input 没被认真对待。我不会放弃 Review,但会把它放回最后一道门。真正决定产物脏不脏的,往往不是审查,而是 AI 动手之前,工作区里有没有把目标、事实、规则和验收标准说清楚。这就是上下文工程。

Review 决定这次能不能过,Input 决定下次还会不会犯。

相关阅读