"古法程序员"的AI Coding记录（4.18）

引子

2025年底至2026年初，OpenClaw的出现重新将AI带入笔者的视野。在此之前，作为一名"古法程序员"，虽然以前也倒腾过GPT、DeepSeek、SD等模型，但可能未深入使用，对AI的刻板印象一直停留在"玩具"层面——炼丹、炼金、"随机"编程、自然语言编程，仿佛与严肃的工程开发相去甚远。

但是随着近期爆发式的AI技术浪潮，对相关内容也做了很多学习和实践。

AI生态术语爆炸：Vibe Coding、Spec Coding、SDD、Harness Engineering、Agent、Skill、MCP。
工具与模型百花齐放：
- Agent工程：Claude Code、OpenClaw、Hermes-Agent、Cursor、Trae
- LLM:Claude、GLM、GPT、Gemini、DeepSeek、Qwen3、Kimi、豆包
效率与能力的悖论：AI带来效率跃升的同时，也带来了"能力萎缩"的隐忧，过度依赖会弱化自身工程素养
信息过载：大量优质文章、源码解析、实战经验扑面而来

下面笔者会在当前在AI方向上的核心定位、关注方向、能力维度、重点资源以及待深入的问题，作为阶段性的学习地图。

一、核心定位与态度

1. 从"古法程序员"到AI实践者

尤其在AI Coding方面，以前用的比较多的是代码补全，很多时候补全出来的代码挺好的，
并且自己也试着用AI来生成一些新系统代码，发现生成出来的代码质量还真不错，就拿我所在的行业，游戏行业，现在AI在Coding方面已经很强了。

起点：2025年底至2026年初，OpenClaw的出现重新将AI带入视野，此前对AI的印象停留在"玩具"层面。
转变：通过大量实践发现AI在Coding方面已相当强大，在游戏行业的代码生成上表现也比较突出，Vibe coding、Spec coding和Harness Engineering的实践结果发现在好的范式下使用AI，效率确实提升明显
态度：
- 虽然AI大大提升了某些方面工作内容的效率，但保持AI是工具，需求由人产出，工具服务于需求。
- 以目标和解决问题为导向。
- 不盲从、不排斥新的概念，新的工具，新的工作流。
- 类似于通过消息摘要生成更多代码内容。但是用好还是很有必要的，在于如何传达精准的需求。

2. 常见的疑问（wwh）

什么是AI？
1. AI是怎么理解自然语言含义的，为什么感觉AI这么强？
2. AI的原理是什么？
为什么要会用AI？
1. 现在感觉随便用AI就能生成点出来，很快就能完成以前长篇的代码书写？（效率提升？）
2. 在这个信息爆炸的时代，要以何种思维来过滤大部分知识呢？（知识库）
怎么用以及如何用好？
1. 如何将AI应用到生产级别中？
2. 实践经验和技巧有哪些？

3. 有趣的比喻

在这个AI游戏世界里：一个人的综合能力 =（基础永久属性 + AI固定属性）* （1 + AI百分比属性加成）
人的提升是基础永久属性的增长，而AI固定属性的提升目前来说很快，但就像打游戏一样，无论每个版本装备怎么升级，但永久的基础属性才是根本。

二、当前关注的方向

1. AI基础原理

在使用AI前，需要对AI的底层原理有一定了解。
https://www.bilibili.com/video/BV1ajZ7BmEDn?spm_id_from=333.788.player.switch&vd_source=1d9912d25f7287c34d8d6206672edae5&p=5

无监督学习、监督学习、强化学习等基础概念。
AI理解自然语言的底层原理探索。（Transformer）
RAG（检索增强生成）、PAL（程序辅助模型）、React（联网搜索）。

2. AI工具与模型生态

2.1 编程或Agent工具

工具	特点	适用场景	优势	不足
Claude Code	规划与执行分离的工作流，Agent Harness工程的代表，终端优先	复杂工程重构、CLI工作流、大型代码改造	长上下文、代码推理强、自主任务拆解	无GUI、上手成本高
OpenClaw	社区热度高，热门编程Agent框架，多模型兼容	自动化任务、模型调度、CI/CD集成	扩展性强、工具调用完善、生态活跃	配置复杂、工程化成熟度一般
VSCode+插件	经典文本IDE+AI插件组合，通用轻量化方案	日常全品类开发、轻量编码、通用项目	生态完善、自定义高、普及率广	无原生Agent，依赖第三方插件
Rider+插件	UE专属IDE解决方案，深度适配游戏开发	Unreal Engine、C++游戏项目、蓝图开发	调试强大、UE深度适配、游戏工程优化	收费订阅、非游戏场景性价比低
Hermes-Agent	通用热门Agent框架，任务自动化能力强	多场景自动化、轻量Agent搭建	多模型适配、任务规划灵活、社区火	编程专项优化较弱
Cursor	编程支持度极强，AI原生编辑器，行业标杆	复杂项目开发、多文件协作、专业编码	代码质量高、Agent成熟、项目理解强	国内访问一般、高级功能付费
Trae	中文支持度优秀，价格实惠，本土化适配	国内开发者、中文办公、低成本开发	免费额度足、上手简单、中文体验好	大型复杂项目处理能力有限

2.2 大语言模型（笔者常用排名）

模型	特点	优势场景	核心亮点
Claude	长上下文、代码能力强、指令遵循稳定	代码开发、长文档解析、复杂工程任务	超长文本承载、逻辑严谨、编码能力顶尖
GLM	国产主流模型，持续迭代，综合性能均衡	中文办公、文案创作、本土业务场景	本土化优化好、迭代快、国产生态完善
GPT	行业初代标杆，生态完善，综合能力全面	全场景通用、复杂逻辑、多模态需求	插件生态丰富、通用性强、适配工具多
Gemini Pro 3	Google出品，多模态能力突出	图文/跨模态解析、超长文档处理	多模态天花板、谷歌生态联动、超大上下文
DeepSeek	国产模型，代码专项能力突出，高性价比	代码编写、算法开发、本地部署	编程能力强、低成本、中文适配优秀
Qwen3	阿里国产大模型，全场景均衡迭代	日常创作、轻量化应用、多模态场景	开源生态完善、更新快、综合表现稳定
豆包	联网检索能力强，轻量化日常助手	实时资讯查询、常识问答、资料检索	纯免费、中文口语化、实时联网搜索
Kimi 2.5	中文支持度好，免费额度大，长文本友好	中文文档阅读、长文案撰写、资料汇总	免费额度充足、长文本解析、中文理解强

2.3 辅助工具

CC Switcher：管理Skill和MCP的工具。

3. AI编程方法论

3.1 三大方法论对比

方法论	核心思想	当前状态
Vibe Coding	边聊边写，先跑起来再优化的直觉式编程	已实践
Spec Coding (SDD)	先规划后实现，按工程标准逐步构建的结构化编程(SDD : Specification-Driven Development)	深入学习中
Harness Engineering	通过规范和约束驾驭AI长程任务	关注中

3.2 Spec Coding 工作流（OpenSpec为例）

探索（Explore）→ 提案（Propose）→ 规格（Specs）→ 设计（Design）→ 任务（Tasks）→ 实现（Apply）→ 归档（Archive）

研究（Research）→ 规划（Plan）→ 标注迭代（Annotate）→ 待办清单（Todo List）→ 实施（Implement）→ 反馈微调（Feedback & Iterate）

4. AI辅助编程的具体应用场景和实践

4.1、核心应用场景

1. 代码补全

IDE环境下的单行、多行代码补全
Vibe Coding场景中，可采用TODO注释补全法，并封装为补全Skill，提升使用效率

2. 代码生成

Spec Coding模式：先开展需求讨论，再执行编码操作，以Change为单位推进，后续对支持生成策划所需文档，以及BUG、崩溃修复相关日志较为便捷

痛点：上下文过长易导致Token消耗过快
解决方法：可通过Harness Engineering方式开启新对话，或在合适时机手动生成Memory.md文件以开启新对话；同时，也可手动触发上下文压缩，减少Token消耗。

3. 代码理解

代码搜索与扫描：采用Agent子代理协作模式，在SubAgent中使用Haiku等轻量化模型执行扫描操作，生成CodeMap、CodeWiki等成果，实现“一次扫描、多次复用”
代码Review、代码重构、代码注释生成

4. 聊天与搜索引擎替代

多数模型支持联网搜索功能，可替代部分搜索引擎的使用需求；也可选用豆包等免费工具完成搜索任务。

5. Skill:编写Skill与MCP

可让LLM自主学习Skill与MCP工具，待优化形成统一的Skill模板后，后续新增Skill均可基于该模板输出。初期可引导LLM学习OpenSpec的Skill写法，既可以封装自身编写Skill的专属Skill，市面上也有丰富的参考案例可供借鉴。

6. Skill：新工区创建

每次开启新对话或新工区时，均需向AI补充大量上下文信息。借助该Skill，可快速创建新模板工区，同步完成工程规范、中文设置、日志记录等相关配置。

4.2、相关工具实践

1. OpenClaw安装与实践

2. Claude Code相关参考

1. 提示词相关补充

小样本提示（Few-shot）：通过提供示例，引导AI快速理解需求
思维链（Chain of Thought）：引导AI开展深度思考，提升输出准确性

注：AI大语言模型的输出效果受训练数据影响，可结合RAG、PAL（程序辅助模型）、React（联网搜索）等方式，进一步提升AI的“聪明度”；多实践、刻意练习优质方法，可更好发挥AI编码价值。

2. Spec Coding方法（理想化工件模式）

/opsx:onboard ：提出需求梗概
/opsx:explore ：细化需求，讨论潜在问题
/opsx:ff ：快速生成提案（proposal）、规格（specs）、设计（design）、任务（tasks）；或使用/opsx:continue ，分步推进
/opsx:apply ：生成代码
修复编译错误，验证测试效果，写成Skill，进行自动化验证
/opsx:achive，归档本次Change

3. 编程模式对比

古法编程（朴素直接）：包含vibe coding、聊天与搜索引擎使用、代码补全
AICoding(“随机编程”)(需精准传达需求语义)：包含vibe coding、spec coding、聊天与搜索引擎使用、代码补全、代码生成、代码Review、代码搜索、代码扫描、代码注释、代码理解

4. AI规范编程（以OpenSpec为例）

创建目录：mkdir .claude
在该目录下执行OpenSpec init初始化操作
拷贝项目规范文件，或通过Windows创建符号链接实现共用

核心流程：探索（Explore）→ 提案（Propose）→ 规格（Specs）→ 设计（Design）→ 任务（Tasks）→ 实现（Apply）→ 归档（Archive）

5. Skill分类与复用

全局Skill：无需额外配置，所有工作区均可通用
局部Skill：为每个工作区独有，需在对应工作区单独安装；也可通过软连接方式，实现跨工作区复用

5. Skill与MCP生态

Agent Skill / Hook：Claude Code的扩展机制。
MCP（Model Context Protocol）：AI与外部工具的交互协议。
SubAgent：子代理协作模式。
Host Control MCP Server：构建历程与使用指南已关注。
unreal-mcp：UE与MCP的对接方案。

6. 游戏行业 + AI

LevelMaker：用AI Agent搭建UE5关卡生产管线。
OpenClaw安全能力框架：AI安全相关。
SDD实践：用Spec对齐需求、突破技术陌生感。

三、待深入的问题

在信息爆炸时代，如何高效过滤知识？
如何平衡AI提效与自身能力成长的关系？

四、近期关注的新方向

Hermes-Agent 和 OpenClaw 的新进展。
AI在长程记忆方面研究
AI规范编程（SDD / Harness Engineering）在游戏项目中的落地。
本地模型部署OpenClaw +（ollama + DeepSeek / Qwen3）的实用性提升。

总结

AI浪潮之下，方法论、工具链、模型生态、Agent协议齐头并进。本文以清单形式锁定了当前阶段的关注面，目的不是"全都学"，而是建立一张可持续更新的地图：知道哪些是已实践、哪些在深入、哪些待补齐。后续的每一次选型、每一次踩坑，都将围绕这张地图回写更新。
主动接纳新事物，不要抗拒；但学习不能盲目，要搭建框架、找准目标，想清楚再行动。

核心原则（通过现象看本质）

需要坚定的一些事情是:

以目标和解决问题为导向去思考和实践。
AI是工具，需求是人本身才会产出的，工具是为了服务于需求的。
站在前人肩膀上思考和实践。
保持学习能力和实践能力，只有不断进步，否则不进则退。
摒除急功近利的想法，先有规划再行动，避免盲人摸象，同样需避免过度追求最新概念而不进行脚踏实地的实践。
警惕过度依赖AI带来的能力弱化，效率提升不应以自身进步停滞为代价。
提效的弱化自身能力，虽然AI可以在Coding方面大大提高效率，但是太依赖，自身能力还是会弱化或者不进步。

Note：第6条是整个学习过程中最容易被忽视、却最致命的一条。