VibeCoding时代如何约束AI：AGENTS与ADR文档基建实践

背景

在 Vibe Coding（氛围编程/直觉式编程）时代，开发者与 AI 的协作模式发生了根本性转变。以 Cursor 为代表的 AI 原生 IDE 使得开发者能够将高达 99% 的编码工作委托给 AI。然而，随着依赖程度的加深，一个核心痛点逐渐浮现：AI 并非能力不足，而是缺乏有效的约束机制。

开发者普遍面临以下三大困境：

1. 过度重构风险：当要求“优化性能”时，AI 可能会破坏原本稳定的模块，进行不必要的重构。
2. 上下文缺失：AI 在新一轮对话中无法记忆之前的架构决策，导致代码风格或设计模式前后不一致。
3. 规范不一致：生成的代码虽然可以运行，但字段命名等细节往往与项目定义的 Schema（模式）不匹配。

为了解决 AI 的“失忆”和“越权”问题，社区开始探索通过文档基建来约束 AI 行为。

核心内容

针对上述痛点，分享者总结了一套基于三个核心 Markdown 文件的文档基建方案，旨在通过结构化文档来规范 AI 的行为边界和记忆状态。这套方案主要包含以下三个文件：

1. AGENTS.md 该文件主要用于定义 AI 代理（Agent）的行为准则。它明确了 AI 在生成代码时应遵循的规范，例如如何响应优化请求而不破坏稳定性，以及如何处理字段命名以符合项目 Schema。通过在此文件中预设指令，可以有效防止 AI 的“越权”行为，确保其操作在既定框架内进行。

2. MEMORY.md 该文件旨在解决 AI 的“失忆”问题。由于大语言模型通常基于当前对话窗口进行推理，缺乏长期记忆，MEMORY.md 用于存储关键的项目上下文、近期决策和重要状态。当开启新对话或进行复杂任务时，AI 可以读取此文件，从而继承之前的架构决策和工作上下文，保持项目的一致性。

3. ADR (Architecture Decision Records，架构决策记录) ADR 用于记录项目中重要的架构决策及其背景、权衡和后果。在 Vibe Coding 模式下，AI 可能会因为缺乏对历史决策的理解而做出违背初衷的代码生成。通过维护 ADR，开发者可以将关键的架构约束显式化，让 AI 在生成代码时能够参考这些决策，确保代码实现与整体架构设计保持一致。

这三个文件共同构成了一个轻量级的约束体系，通过“行为定义（AGENTS.md）”、“状态记忆（MEMORY.md）”和“架构约束（ADR）”三个维度，系统性地解决了 AI 在长期项目开发中的不可控问题。

关键要点

• 核心矛盾转移：AI 编程的主要瓶颈已从“能力不足”转变为“缺乏约束”，即如何防止 AI 越权操作和保持上下文一致性。
• 三大典型问题：
  • 副作用失控：局部优化请求导致全局稳定模块被意外重构。
  • 上下文断层：新对话无法继承旧对话中的架构决策。
  • 规范偏离：生成代码符合语法但违背项目特定的 Schema 或命名规范。
• 解决方案：文档基建：
  • 采用 AGENTS.md 定义 AI 的行为边界和响应规范。
  • 采用 MEMORY.md 持久化关键上下文，解决 AI 失忆问题。
  • 采用 ADR 记录架构决策，确保代码实现与高层设计对齐。
• 目标效果：通过这套组合拳，旨在解决 AI 的“失忆”和“越权”两个核心问题，提升 AI 辅助编程的稳定性和可控性。

意义与影响

这一实践反映了 AI 辅助开发从“单点效率提升”向“工程化可控性”演进的趋势。

1. 确立 AI 协作的新范式：传统的代码规范（如 ESLint、Prettier）主要约束人类开发者，而 AGENTS.md 等文件表明，开发者需要建立专门针对 AI 的“提示词工程”基础设施，将自然语言指令转化为可被 AI 持续读取的结构化约束。
2. 降低维护成本：通过 MEMORY.md 和 ADR 显式管理上下文，减少了因 AI 上下文窗口限制或遗忘导致的代码不一致性，降低了后期代码审查和重构的成本。
3. 提升项目稳定性：明确的行为约束防止了 AI 在优化过程中引入破坏性变更，使得 99% 的 AI 参与度成为可能，而不会以牺牲代码质量为代价。
4. 社区探索的起点：该话题引发了 21 个帖子和 12 位参与者的讨论，说明约束 AI 已成为当前 AI 编程领域的共同挑战，促使社区分享更多如 Context7、RAG 集成等更高级的约束实践。