ai-coding-workflow
Python Claude Code AI Coding 开源
这是什么
针对 AI 编码 agent 两个结构性缺陷的一套工程化解法，包含可直接安装的规则模板、hook 脚本和配置。
两个缺陷是：没有记忆（每次新会话从零开始，同一个坑重复踩）和规则靠自觉（提示词里写的规范，复杂任务中会被遗忘）。
为什么”写进提示词”不够
这是整套方案的出发点：提示词是软约束，而软约束在长任务里会失效。
不是模型不听话，而是注意力被稀释——一条规则在 5 条指令里很显眼，在 50 条里就被摊薄了；任务跑到第 20 轮时，开头那句”先读再写”早已淹没在大量工具输出中间。
所以真正的问题不是”规则写得够不够清楚”，而是”规则的执行能不能不依赖模型记得住”。 三层防御正是按这个思路分的：
| 层 | 机制 | 解决什么 |
|---|---|---|
| 软约束 | 写进规则文件的行为规范 | 意识问题——告诉它该怎么做。覆盖面广，但会被遗忘 |
| 硬执行 | PostToolUse hook 在每次写文件后自动扫描 | 遗忘问题——不管它记不记得，违规信息都会被塞回上下文，它被迫看到并修复。机械触发，不可绕过 |
| 后置记录 | 踩坑经验自动采集，蒸馏成规则写回 | 积累问题——从”每次重新开始”变成”站在之前的经验上” |
中间那层是关键：它把”希望模型遵守”换成了”不遵守就会被打回”。 这个差别在长任务里是决定性的——前者随轮数衰减，后者不会。
配套的验证流水线
三层解决的是”别让它写出坏代码”，但还缺一块：写完之后怎么确认它真的对。
那一块后来单独做成了 staged-verify——四阶段验证流水线，核心是白盒黑盒双轨求差集，用来抓”本该写但根本没写”的逻辑。两者配合：这套管过程，那套管结果。
详细说明
完整的推导和实战经验写在《我的 AI Coding 工作流：从”管住它”到”验证它”》；仓库提供的是可落地的模板与脚本，面向 Python + Claude Code 场景，其它语言可参考思路但脚本需自行适配。