2026年＂古法程序员＂的AI Coding记录（4.18）

大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。

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。

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。

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？

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。

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）。

2.1 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。

3.1 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）

4.1、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

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。

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。

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？

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。

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。