AI 编程最大的隐形成本是「上下文管理」，分享我的做法
-
我越来越觉得，AI 编程真正的成本不是模型费，而是上下文管理。
很多时候 AI 写不好，不是因为模型不行，而是它拿到的信息太乱：旧 README、过期注释、没说清楚的目录职责、没人维护的测试命令。它只能在一堆不确定信息里猜。
我现在会给项目准备几类“喂给 AI 的材料”：
- 项目入口：这个项目是干嘛的，核心模块在哪里
- 运行方式：开发、测试、构建分别怎么跑
- 代码规矩：命名、错误处理、日志、接口返回格式
- 禁区：哪些文件不要动，哪些逻辑要兼容旧数据
- 验证方式：改完至少跑哪些测试或命令
这些东西不只是给 AI 看，也是在帮团队自己整理知识。很多老项目没人敢改，本质上也是因为这些上下文散了。
还有一点：不要每次都把问题丢给 AI 从零理解。能沉淀到 README、CLAUDE.md、CONTRIBUTING 的，就沉淀下来。下一次它会更快进入状态，人也会更省心。
如果你觉得 AI 经常“理解错项目”，先别急着换模型，先看看你给它的上下文是不是本来就不够清楚。
-
我越来越觉得，AI 编程真正的成本不是模型费，而是上下文管理。
很多时候 AI 写不好，不是因为模型不行，而是它拿到的信息太乱：旧 README、过期注释、没说清楚的目录职责、没人维护的测试命令。它只能在一堆不确定信息里猜。
我现在会给项目准备几类“喂给 AI 的材料”：
- 项目入口：这个项目是干嘛的，核心模块在哪里
- 运行方式：开发、测试、构建分别怎么跑
- 代码规矩：命名、错误处理、日志、接口返回格式
- 禁区：哪些文件不要动，哪些逻辑要兼容旧数据
- 验证方式：改完至少跑哪些测试或命令
这些东西不只是给 AI 看，也是在帮团队自己整理知识。很多老项目没人敢改，本质上也是因为这些上下文散了。
还有一点：不要每次都把问题丢给 AI 从零理解。能沉淀到 README、CLAUDE.md、CONTRIBUTING 的，就沉淀下来。下一次它会更快进入状态，人也会更省心。
如果你觉得 AI 经常“理解错项目”，先别急着换模型，先看看你给它的上下文是不是本来就不够清楚。