工作流的骨架
作者的方法围绕一个核心展开:动手写代码之前，先和 Claude Code 把计划讲清楚。明确目标、拆解步骤、设定每一步的验收标准，让模型先理解「要做什么、做到什么程度算成功」，再进入执行。这与「直接丢需求、看它一把梭」的随性用法形成鲜明对比。规划阶段的投入看似拖慢了开始，实则大幅降低了返工,模型有了清晰的靶子，跑偏的概率和幅度都小得多。
为什么这套方法在收敛成共识
把这篇和近期一批高质量工作流自述放在一起看，会发现它们殊途同归:高产用户都在做规格化、小步推进、强验证，而翻车的故事几乎都来自反着做。这说明 AI 编程的最佳实践正在收敛成形，它长得越来越像「敏捷开发的纪律加上代码审查的怀疑精神」，而非什么提示词魔法。对新手，这类文章比任何提示词大全都更值得先读,方法的迁移性远高于具体咒语。它的另一重价值是祛魅,高手和你用的是同一个模型，拉开差距的是流程，不是天赋或秘籍。把「先规划后执行」内化成习惯，是普通人能立刻吃到的最大一块 AI 红利。
via: Hacker News