博客
pdlc-skills 如何看清项目进度、变更影响与质量趋势？
AI 一个下午能推进三个功能，人要是看不清项目走到哪、改一处牵动谁、这一段做得怎么样，自动化就全在黑箱里跑。pdlc 里管这件事的是三个只读状态文件的工具：状态栏和 /pdlc-status 看现在在哪，/pdlc-relate impact 在改动前查波及范围，/pdlc-retro 按月看质量趋势。这篇讲它们...
pdlc-skills 如何在 AI 辅助编程中保障项目质量？
AI 让写代码的速度上去了，但判断代码对不对的速度没有跟上，这个差距本身就是风险。所以在 AI 辅助编程里，质量保障不是拖慢速度的负担，而是让速度真正可用的前提。这篇讲我在 pdlc 里用的一套做法：七个环节串成一条链，逐个讲清楚，也讲它们合起来还防不住什么。
pdlc-skills 如何实现无人值守（Loop 工程）？
一个功能其实一条命令就能自己跑完 TDD、实现、评审，用不着你写脚本。外部脚本的位置在外面一层——十来个功能点按依赖分批，一批跑完人验一道再启下一批。中间靠四条护栏兜着，这四条我每条都见它真的响过。
如何让 pdlc-skills 在项目里跑起来？
装上只要一行命令。真正卡住人的是起手第一步——你的起点是新项目、老项目还是已经接入，第一条命令完全不同。还有一步最容易被跳过：不做它，前一篇讲的那套「客观判停」会整个退化成模型自我感觉良好。
三大工程在 pdlc-skills 怎么联动？
三层从头到尾没有互相调用过一次。它们靠磁盘上一份文件交接——一层写，另一层读。而正因为这份文件是按功能切开的，这条流水线不止能往下走一条，还能横着铺开同时跑好几条。
为什么 pdlc-skills 天然契合三大工程？
这三层不是我照着理论设计的，我做它的时候压根没听过 Loop 工程和 Graph 工程。它就是照软件工程里那套现成的产品开发生命周期做的——需求、设计、测试、实现、评审。做完之后拿三大工程范式来对，发现处处对得上。这是个巧合，但巧合背后有原因。
什么是提示词工程、Loop 工程以及 Graph 工程？
这三个词最近总被摆在一起比较，好像在让人三选一。但它们根本不在同一层——提示词管这一次怎么说话，Loop 管迭代怎么收敛，Graph 管路径怎么组织。搞清楚这件事，比学会其中任何一个都值钱。这篇把三层各自的本事和天花板讲清楚，最后给三个问题，帮你判断手上这件事该归哪一层管。
我把 AI 记忆体检做成了工具：只诊断，绝不替你动手
上一篇手动给 AI 记忆库除草，除到最后我想明白：草反复长，是因为记忆系统缺了自我体检的机制。所以这一次，我把那个“记忆体检”真做成了一个工具。它像个医生，扫一遍、把毛病列给你看，然后停下——改不改，永远由你决定。它不外接任何大模型，你的记忆一个字都不出本机。
AI 的记忆会长草，及时清理很重要
上一篇聊了怎么给 AI 构建记忆体系，但构建只是开始——项目推进得越久，记忆越积越多，若不加清理，其中就会悄悄长出“杂草”。这一次，我给自己几个项目的 AI 记忆做了一次系统的“除草”，并归纳出记忆衰退的六种典型情形。最危险的一种，会让 AI 拿着过期信息、理直气壮地办错事。
如何通过增强 AI 的记忆体系，让它变得更懂你！
我已经不止一次，在同一个地方被同一个 AI 绊倒——反复强调过的语法它还是写错，定好的规范它转头就忘。不是它笨，是它压根没记性。这篇借人脑聊 AI 的记忆：为什么好记忆是结构不是堆积、改错为什么要覆盖而不是往后堆、以及最反鸡汤的一条——就算记住了，它也未必照做，那该怎么办。用好这套东西，一个普通模型也能被你调教得...
一个撇号里，藏得下 3 个 bit——system prompt 隐写手法拆解
你每次开会话，system prompt 里都有一句『Today's date is …』。最近有人在一个 CLI 工具里逆向出一段逻辑：它把一个隐形标记，就藏在这句话的日期格式和那个撇号里——肉眼看不出、可能连模型都读不到，服务器一解就懂。这篇不聊是非，只拆开看它是怎么做到的：怎么把 3 个 bit 塞进几个『...
AI 的「狼来了」，该不该信？一次真正感受到「恶意提示词」的误报
那天 AI 改着文档，突然插一句『我得先报个安全警告』——说命令输出里夹带了把我用户名外发出去的注入指令。我当场就信了，跟着它折腾了半小时。后来复盘才发现：这是一场虚惊，攻击是 AI 自己脑补出来的。但我不后悔信它——误报顶多白忙，漏报丢的是真东西。借这次假警，我把防住『真』恶意提示词的整套防线认真补了一遍，写在这儿。
AI 把活干完了，累的却是我——你是那个「主控人」
前面几篇一路在讲怎么让 AI 干得更多、更并行——省 token、模型分层、多 agent 编排、worktree。这篇说点不一样的：当我把 AI 越推越满，发现累的是我自己。一个人能带一支 AI 团队，效率十几倍，可代价是你成了那个永远在切换、复核、做决策的「主控人」。我的极限是同时 5 个项目，平衡点是 3 个。
AI 并行工作的前提是切分好独立的工作区
上一篇讲并行——一个大任务拆开撒给几个 agent 同时上，但留了个尾巴：几只手同时改一份代码，凭什么互不打架？这篇接着说。我先傻乎乎 clone 了两份占爆磁盘，后来才换上 git worktree。一个反直觉的点是：不是所有并行都要隔离，只读的活共用一个工作区就行，会动手改文件的才必须分开。
AI 干活太慢？可能不是它笨，是你让它一个一个来
上一篇讲怎么让 AI 干活更省。这篇讲怎么让它干得更快——一个大任务，与其让 AI 一个模块一个模块串着做，不如拆开撒给好几个 agent 同时上。关键的反直觉点是：并行并不比串行省多少 token，省下来的是时间。
AI 越聊越笨？不是模型菜，是需要上点手段了
前两篇都在讲怎么在'进上下文之前'省 token。这篇讲会话进行中的两件事——一个决定谁来干活（模型分层），一个决定带多少记忆干活（上下文管理）。AI 写着写着变笨，多半不是模型菜。
AI 编码越用越贵？我把 token 砍掉了 82%（附实测数据）
上一篇说省 token 靠把工具用对，这篇上实测：我翻了下本地的 rtk gain，六千多条命令省了 740 万 token、82%。拆开讲这 82% 是怎么省出来的——压规则文件、用对插件、模型分层。
真正烧 token 的不是文档，是你工具没用对
有人说 PDLC 文档一堆，token 不烧爆吗？我想说文档多和 token 烧得凶不是一回事；真想省 token，办法是把工具用对，不是把文档砍掉。
PDLC 1.1：v1.0 在产物形状上犯的两个错误
v1.0 解决了纵向问题：让单个 feature 的各阶段有序推进。v1.1 修了两个横向问题——产物类型混淆（ledger vs surface）和 feature 间关系缺失。
aitm 1.0：AI 在副驾，方向盘在你手里
aitm 1.0 正式发布。5.3 MB 二进制、3-5ms 冷启动、6 家 LLM provider、4 层安全门。这篇讲设计哲学、工具调用怎么做的，以及一路踩的坑。
arcade：博客里挂了个浏览器街机模拟器
博客 /arcade/ 下挂了一个浏览器街机模拟器。支持 MAME 和数十种主机，你拖入自己本地的游戏文件就能玩，全程在浏览器里完成，零上传。
PDLC：把 AI 写代码从'软规范'升级为'硬契约'
AI 助手说'我把功能做完了'但 PRD 只活在对话里、测试'我等会儿补'、跨会话就忘了某功能进展到哪。这些痛点 PDLC 通过 31 个标准化阶段 + Iron Law 5 不变量解决。从动机、实现、应用到能达到的效果，一篇看完。
aitm 首发：把 AI 装进终端
一个把 AI 能力做进终端的桌面应用，支持 macOS 与 Windows。AI 能读文件、看命令历史、按需帮你跑命令，所有高危操作都要你点头。
欢迎来到我的技术博客
这是我的个人技术博客的第一篇文章，在这里我将分享技术学习心得、编程经验和个人成长历程。