个人AI工作流最佳实践

用 AI 辅助工作久了会发现：说清楚了，几秒钟就能拿到能用的东西；说不清楚，要么来回改，要么干脆弃用。要提高输出质量，光会「说话」还不够，任务怎么拆、上下文怎么管、结果怎么验证，都会影响最终能不能直接用。这篇记录几块我觉得比较有用的通用实践。

一、提示词：把需求当单子开

很多人习惯随口一说「写个分页组件」，AI 会给，但框架、样式、接口可能跟项目接不上。别当聊天，当在写一份精简版需求单。

至少要交代几块：技术栈和场景（在什么项目里、用什么技术）、相关代码直接贴（别用自然语言描述，AI 读代码更准）、任务拆成编号步骤、划清「不许做什么」（不用某库、不要省略实现、不要用 ... 占位）。有风格要求就贴一段参照：「按这个写法来」。

可复用的结构大致是：技术栈/场景 → 相关代码/数据 → 具体要做的事（1.2.3.）→ 限制条件 → 输出要求。简单需求只留「要做的事」和「限制」；复杂需求再往上加。

二、任务拆分：一次只做一件事

让 AI 一次改五个文件、实现三个功能，很容易漏、乱、前后不一致。大需求拆小，一次对话只盯一个目标。 比如「重构登录模块」拆成：先改验证逻辑 → 再改 UI 组件 → 再对接新接口。每步都有明确边界，出问题也好定位。

三、上下文该清就清

对话拉长之后，AI 容易忘前面的约定，或者被旧上下文带偏。感觉它在答非所问、反复犯同样的错，直接开新对话。 把关键信息（技术栈、约束、当前进度）在新对话里重新交代一遍，比在长对话里来回纠正效率高。

多轮对话时，重要信息尽量在最新一轮重提一次；最想让它「此刻做」的事，放在最后、写清楚。

四、结果别信了就算完

AI 生成的代码能跑，不代表逻辑对、边界没问题。关键逻辑自己过一眼，该跑一下跑一下，该单测测单测。 尤其是涉及数据、权限、金额的，不能直接上线。把 AI 当副驾，最后拍板的还是人。

五、配置先行：少每次都重复说

项目里有固定约定（命名规范、目录结构、必须用的库），写在 .cursor/rules 或项目文档里，让 AI 事先能读到。这样每次不必反复交代「我们用的是 xxx」「别用 yyy」。配置一次，后面每次对话都生效。

六、Skill vs Agent：通用工作流里的职责分工

在 Cursor/Claude 这类生态里，Skill 和 Agent 本质上是在做同一件事：让 AI 输出更稳定、更省心。区别在于它们更擅长的“环节”不一样。

• Skill 更像“风格与规则的知识库”：把你希望 AI 一贯遵守的口径、约束、检查清单固化下来，让它在回答时自然套用。
• Agent 更像“任务与执行的分工”：当事情需要多步推进、需要工具协作或需要按流程把结果做出来时，把工作交给更合适的执行单元。

你可以用一个很实用的选择标准：

常见组合用法是：先用 Skill 把“该怎么写、该遵守什么”定死，再用 Agent 去完成“把这件事做完并交付”。把二者分工清楚，你的工作流会更可复用，也更不容易在忙的时候崩掉。