将AI引入工程工作流程的实用初学者指南

在互联网上，很容易让人相信每个人都已将自己的工作外包给了AI，但现实中，工程师们对AI的采用程度差异巨大，从完全不使用到非常先进。作为一名健康科技初创公司的首位技术雇员，作者从零开始构建代码库，同时面临着快速交付真实产品的压力。本文旨在为那些希望开始使用AI工具，但又想保持代码质量和控制的工程师提供一份实用指南。

核心指导原则是：人类专家的注意力和精力仍然是稀缺资源。AI的目标是卸载那些人类并非关键的环节，以及在可能的情况下增强人类的注意力。在进行关键决策时，人类必须参与其中，具体哪些环节是关键取决于公司、团队、工具以及AI模型的状态。

第一步是入门。建议从创建（或借用）规划和执行的技能开始。许多AI编码工具（如Claude）已将这些模式形式化，甚至提供了专门的设计方案。作者团队起初使用了第三方技能（如humanlayer和superpowers），然后再过渡到编写自己的技能。这些技能通常作为人类调用的命令存在，通过输入/command-name即可将提示注入AI上下文。对于小团队，可以将技能添加到代码仓库中，以便共享和改进。

第二步是定制基础——添加仓库上下文。如果你发现自己每次都要向AI重复相同指南，或是因同一代码库中代码不一致而烦恼，那就违背了管理人类精力的核心原则。许多AI代理允许自动向每个提示注入上下文。例如，在Claude中，可以添加一个CLAUDE.md文件，它会自动加入对话。作者公司的CLAUDE.md文件包含仓库描述、技术栈、处理医疗数据的规则、高层架构摘要、测试方法和开发命令。但注意，该文件应保持简短（约200行），因为Anthropic警告说，臃肿的CLAUDE.md会导致Claude忽略实际指令。如果需要，还可以在修改前让Claude搜索最佳实践。

第三步是添加自定义技能。在有了规划/执行框架后，可以逐步添加更多技能。每个技能是一个小工具，当AI处理相关任务时会被调用。这种用法是非确定性的，但确实有效。建议从简单处着手，映射软件开发生命周期，找出可以自动化的环节。例如，可以创建/plan技能来生成计划。随着使用，可以不断迭代和改进这些技能，使其更好地适应团队的工作流程。

总结来说，AI集成的关键在于循序渐进，始终将人类专家放在决策中心。即使在受监管的医疗行业，通过谨慎的实践，也能安全高效地利用AI提升生产力。