Vibe Coding 偏差时建议让 AI 写交接文档再重启

背景

在当前的 AI 辅助编程（AI-assisted Coding）实践中，开发者广泛使用如 Cursor (cc)、OpenAI Codex 等基于大语言模型的工具。这些工具的核心优势在于能够理解自然语言指令并生成代码，但其性能高度依赖于上下文窗口（Context Window）内的信息质量与完整性。

随着对话轮次的增加，上下文窗口被大量历史对话、代码片段和修正指令填满。这种“上下文膨胀”往往导致模型注意力分散，出现“上下文漂移”（Context Drift）现象——即模型对当前任务的理解与初始设定或早期代码逻辑产生偏差。尽管开发者尝试通过手动纠正（Correction）或技术压缩（如 /compact 命令）来维持模型智力，但实践证明，这些方法往往治标不治本，甚至可能引入新的错误，导致代码库迅速演变为难以维护的“屎山代码”（Spaghetti Code）。

在此背景下，LINUX DO 社区中关于“Vibe Coding”（一种强调直觉、流畅交互而非严格工程规范的编程风格）的讨论提出了一种反直觉但高效的策略：当发现 AI 输出开始偏离预期时，停止无休止的纠正，转而通过“交接文档”或“技能封装”进行状态重置，随后开启全新会话（/new）。

核心内容

原文指出，在使用 Cursor 或 Codex 等 AI 编程工具时，随着上下文信息的累积，模型的理解能力会在某个临界点发生不可逆的偏差。这种偏差并非简单的错误，而是模型对任务意图、代码结构或业务逻辑的深层误解。

面对这种偏差，传统的应对策略是“纠正”。然而，作者通过多次实践发现，越是在长对话中进行纠正，代码质量反而越差。这是因为纠正指令本身也成为了上下文的一部分，进一步污染了模型的注意力机制，导致模型在试图满足最新指令的同时，难以摆脱早期错误逻辑的干扰，最终产生大量冗余、冲突且难以维护的代码。

此外，虽然可以使用 /compact 等命令压缩上下文以节省 Token 并提升推理效率，但压缩后的模型状态往往并不完美，其“智力水平”和逻辑连贯性仍低于初始状态。

因此，作者提出了一种更优的工作流：在开启新会话（/new）之前，不要试图在旧会话中修复问题，而是让 AI 撰写一份“交接式”的 README 或 Skill（技能/规范文档）。这份文档应当精炼地总结当前的项目状态、核心逻辑、已确定的约束条件以及下一步的目标。通过这种方式，将复杂的上下文信息转化为结构化、高信噪比的知识资产。

随后，开发者使用 /new 命令开启一个全新的、上下文为空白的会话，并将这份交接文档作为初始提示输入。此时，AI 将以“全满智力”的状态重新加载任务，避免了历史包袱的干扰，从而能够更准确、高效地生成代码。

关键要点

• 上下文偏差不可避免：无论使用 Cursor 还是 Codex，随着对话长度增加，模型理解必然产生出入，这是由注意力机制和信息过载决定的。
• 纠正无效且有害：在长对话中手动纠正 AI 会导致“屎山代码”堆积。纠正指令会污染上下文，加剧模型的混淆，而非解决问题。
• 压缩上下文非万能：使用 /compact 等命令压缩上下文虽能节省资源，但会损失部分逻辑连贯性，导致模型“智力”下降，无法完全恢复最佳状态。
• 交接优于纠正：当发现偏差时，最佳策略是停止纠正，转而让 AI 生成精炼的交接文档（README）或技能定义（Skill）。
• 重置会话以恢复智力：通过 /new 开启全新会话，并将交接文档作为初始上下文，可以让 AI 以“全满智力”状态重新投入工作，确保后续代码生成的准确性和一致性。
• Vibe Coding 的适应性：该策略特别适用于 Vibe Coding 场景，即依赖快速迭代和直觉交互的编程模式，强调通过结构化知识管理来维持长期开发效率。

意义与影响

这一观点对 AI 辅助编程的工作流设计具有深刻的启示意义。它挑战了“越长对话越智能”的传统假设，指出上下文管理比上下文长度更重要。

首先，它强调了知识结构化在 AI 协作中的核心价值。将隐性的对话历史转化为显性的、结构化的文档（README/Skill），不仅有助于 AI 理解，也为人类开发者提供了清晰的项目状态快照，促进了人机协同的透明度。

其次，它提供了一种抗熵增的开发策略。在长周期项目中，代码库和对话历史都会趋向混乱（熵增）。通过定期“重置”和“交接”，开发者可以主动打破这种混乱趋势，维持开发过程的高效和代码质量的可控性。

最后，这一策略鼓励开发者从“与 AI 辩论”转向“为 AI 编写说明书”。这要求开发者具备更强的抽象思维和文档编写能力，将模糊的自然语言指令转化为精确的结构化规范。这种转变不仅提升了 AI 编程的效率，也推动了开发者思维方式的升级，使其更接近传统软件工程中的“设计先行”理念，从而在享受 AI 便利的同时，规避其固有的局限性。