AI 编程与构建工作流
回答：怎么用 Claude Code/Cursor/Devin 类工具真正干活（技术与非技术背景都有路径）。
工程纪律：†red-green-tdd-for-agents（Simon Willison：一句 prompt 触发整套测试纪律）、dark-factory-software-pattern、†vibe-coding-vs-agentic-engineering（责任边界术语）、root-cause-context-engineering（Bret Taylor）、ambitious-retry-not-patch（Benjamin Mann：宏大任务+整体重试）、ai-task-delegation-chunking、component-scoping-for-large-codebases、context-hoarding-and-skeleton-templates。
Claude Code 专属：†claude-code-reframe-as-local-agent（"Code"是历史包袱，本质是本地 agent）、claude-code-personal-agent-taxonomy、claude-code-three-usage-tips（Boris 本人）、claude-md-repo-context-pattern。
非技术人员路径：†tool-graduation-ladder-for-non-technical-builders（暴露疗法式进阶）、non-technical-pm-ai-build-pipeline（六步命令化流程）、4x4-debugging、prd-file-system-for-ai-context、multi-model-personas-for-code-review、root-cause-tooling-postmortem、parallel-project-clarity-ladder、genie-token-allocation、positively-delusional-advantage、ai-app-building-six-step-flow、prototyping-unstuck-four-tactics。
组织级 agent 化：agent-team-adoption-playbook（Devin 规模化路径）、agent-tasks-not-problems、overnight-autonomous-agent-workflow、remove-escape-hatch-to-find-context-gaps。
Agent红绿测试驱动Red Green Tdd For Agents
如何让 coding agent 产出可信、可持续演进的代码，而不是积累技术债的 slop；以及用一句最短的 prompt 触发整套测试纪律。
Vibe 编程与智能体工程Vibe Coding Vs Agentic Engineering
"用 AI 写代码"的说法混为一谈会导致责任边界不清：什么时候可以完全不看代码地玩，什么时候必须按专业标准来。这个模型给出术语区分和一条责任红线。
Claude Code 本地助手重构Claude Code Reframe As Local Agent
非技术背景的人一看到"Claude Code"这个名字里的"Code"就自动划走,以为这是给工程师用的工具,从而错过一个能操作本地文件、跑得比云端聊天机器人更久更大的强力助手。
非技术者工具进阶阶梯Tool Graduation Ladder For Non Technical Builders
完全不懂代码的人第一次接触 AI 编程工具，直接打开 Cursor 开终端会被吓退。需要一条循序渐进、每一步都建立在上一步信心基础上的入门路径。
软件黑灯工厂模式Dark Factory Software Pattern
当团队想让 AI 承担几乎全部编码工作、甚至不再人工逐行审读代码时，如何仍然对生产级（乃至安全敏感）软件保持专业质量标准。这是 vibe coding 和常规 agentic engineering 之后的下一个前沿。
上下文工程根因Root Cause Context Engineering
现在的编码agent经常生成有问题的代码,而"审查别人写的代码、找出其中隐蔽的逻辑错误"本来就比"审查自己写的代码"难得多——这导致很多团队用了AI编码工具,却没有真正获得生产力提升,反而被大量需要人工修正的输出拖慢。该怎么在模型能力还不够成熟的今天,就真正拿到生产力收益,而不是干等模型自己变强?
编码 Agent 雄心重试Ambitious Retry Not Patch
用Claude Code这类编码agent时,为什么有些人用得特别好、有些人用得很一般?区分两者的具体行为差异是什么,普通用户该怎么调整自己的使用方式。
AI 任务委派分块法AI Task Delegation Chunking
用 AI 编程工具(或任何 agent)完成任务时,该一次性把整个任务说清楚丢给它,还是拆成小步骤反复来回?这是新用户最容易踩坑的地方。
大代码库组件范围界定Component Scoping For Large Codebases
用 AI 编程工具做小项目很顺，一旦产品变大、代码库变复杂，AI 生成质量明显下降。这是什么原因，普通用户可以怎么规避？
上下文囤积与骨架模板Context Hoarding And Skeleton Templates
如何持续积累"可以喂给 coding agent 的上下文资产"，让 agent 站在你过去所有工作之上、并自动贴合你的代码风格——而不是每次从零开始。
Claude Code 用例图谱Claude Code Personal Agent Taxonomy
知道 Claude Code 很强,但不知道非技术人员具体能拿它做什么——需要一份"能落地的用例地图"来激发自己的用法。
Claude Code 三大用法Claude Code Three Usage Tips
如何高效使用 Claude Code（及同类编码 agent）：来自产品负责人本人的三条核心用法。
Claude 项目上下文模式Claude Md Repo Context Pattern
用 Claude Code 做产品决策(路线图排期、影响 vs 成本评估)时,如果每次都要手动喂上下文,既低效又容易遗漏——需要一种让 Claude 长期、持续掌握项目全局背景的方法。
非技术 PM 的 AI 构建法Non Technical PM AI Build Pipeline
一个完全不懂代码、看到代码就害怕的产品经理，怎么用 Cursor + Claude Code 稳定地构建真实、可上线的产品功能，而不是"随便跑跑就崩"的 vibe coding？这是作者摸索出来的一套可复用的六步 /command 工作流。
AI 编程四驱脱困法4x4 Debugging
不会写代码的人用 AI 工具构建时卡住了/出 bug 了怎么办。四驱脱困：四种方法各试一次，不原地空转。
面向AI上下文PRD文件系统Prd File System For AI Context
AI 编码工具的记忆有限，聊到第 10-40 条消息时早期上下文就丢了。如何让 agent 在长项目中始终有正确上下文，且支持人同时管多个项目。
多模型角色评审法Multi Model Personas For Code Review
不懂代码的人很难独立判断 AI 写的代码到底有没有 bug、逻辑对不对。单靠一个模型自审有局限（它可能对自己的盲点视而不见）。这是作者摸索出来的应对方式：把不同模型当"有不同性格的同事"来用，让它们互相审查、互相打架，弥补自己看不懂代码的短板。
工具复盘根因法Root Cause Tooling Postmortem
用 AI 编程工具时，同一类错误反复出现该怎么办？很多人的默认反应是"再试一次""换个 prompt 硬冲",直到工作能跑通就翻篇。这个习惯导致同样的坑会一次又一次踩。这是作者从"硬冲型 vibe coder"转变为更成熟做法的关键习惯。
并行项目清晰度阶梯Parallel Project Clarity Ladder
用 AI 工具（Lovable/Cursor 等）从模糊想法起步时，如何快速获得清晰度、避免被第一版设计/架构锁死，同时省 credit。
精灵Token分配模型Genie Token Allocation
向非技术人员解释"为什么 AI 工具会失灵"，以及为什么模糊的请求和情绪化的责骂会让结果更糟。
积极妄想优势Positively Delusional Advantage
非技术背景的人该不该做 AI 构建？如何拿捏"什么都敢试"和"撞死在硬约束上"的分寸。
AI 构建应用六步法AI App Building Six Step Flow
非工程背景的人想用 AI 工具从零构建一个完整、可公开上线的应用，不知道按什么流程推进、精力应该花在哪。
非编码者原型脱困四法Prototyping Unstuck Four Tactics
不会写代码的人用 AI 原型工具，稍微复杂一点就报错、死循环、或被 AI 重写掉几小时的工作——如何不靠编码能力脱困。
团队引入 Agent 操作法Agent Team Adoption Playbook
工程团队想引入自主型 coding agent（Devin 类异步 agent），如何从零起步跑到日常规模化使用，避免"打开空白页不知道干嘛 / 一上来让它重构全库"的典型失败。
Agent 需任务而非问题Agent Tasks Not Problems
决定哪些工作适合交给自主 coding agent、哪些不适合，避免把 agent 用在注定挫败的场景（如"重构整个代码库"这种开放式请求）。
夜间自主 Agent 工作流Overnight Autonomous Agent Workflow
当前主流的"vibe coding"工作方式本质是"人机乒乓"——你说一句，等三五分钟，它给个半成品，你再调整——这种同步、逐轮的协作模式限制了 AI agent 真正的产出上限。这是作者对"未来几年工程工作方式会怎么变"的具体预判和已经在实践的方向。
移除后路发现上下文缺口Remove Escape Hatch To Find Context Gaps
团队想知道"要真正把 coding agent 用到极致，还缺什么"，但只要还留着"卡住了就自己手写"这条后路，问题往往会被绕过而不是被解决，导致agent 能力被系统性低估、真实短板一直藏在暗处。