让 AI 写出生产级代码：我把 Vibe Coding 做成工程化的五层体系
本文整理自团队内部实践。
半年前刚用 Claude Code 时，体验是这样的：丢一个需求过去，AI 噼里啪啦写完一段代码，复制粘贴跑一下，跑不通就再问，跑通了就提交。一个简单的 CRUD 接口，来回 20 多轮对话，代码能跑但质量一塌糊涂——没有错误处理、没有日志、没有测试、命名混乱、SQL 拼接还有注入风险。
那段时间每天都在感叹 AI 厉害，但每天提交的代码都比自己手写的差。
后来花了几个月时间，把团队用 Claude Code 的方式彻底工程化，建立了一套五层体系：规则层、流程层、记忆层、技能层、协作层。现在团队的平均需求，AI 一次生成的代码就能直接进 PR，人工审核时间从 40 分钟降到 8 分钟。
一、问题诊断：为什么"裸用 AI"写不出生产级代码
观察团队两周，统计了 50 次需求交互，问题集中在五类：
| 问题类型 | 占比 | 典型表现 |
|---|---|---|
| 上下文丢失 | 38% | 改了 A 模块忘了 B 模块有对应引用，接口字段对不齐 |
| 风格漂移 | 22% | 命名一会儿 camelCase 一会儿 snake_case，日志格式乱 |
| 流程跳跃 | 18% | 跳过测试直接交付，或写完代码不验证就提交 |
| 重复犯错 | 14% | 同样的反模式反复出现（空 catch、硬编码 URL、忽略 NPE） |
| 范围越界 | 8% | 只让改一个方法，顺手重构了半个文件 |
这五类问题有一个共同点：都是工程问题，不是 AI 能力问题。AI 有能力写出好代码，但需要明确的边界、上下文、流程约束。裸用的时候，这些约束都是缺失的——你只是把 AI 当成了一个"会写代码的搜索引擎"，而不是一个"需要被管理的工程师"。
二、第一层：规则层——用 CLAUDE.md 给 AI 立规矩
CLAUDE.md 是 Claude Code 的项目级配置文件，放在仓库根目录，每次对话开始时自动加载。这是 AI 工程化的第一道门。
很多团队的 CLAUDE.md 长这样：
# 项目说明
这是一个 Spring Boot 项目，使用 Java 17。这种 CLAUDE.md 等于没写——AI 看完之后只知道用了什么技术，但不知道怎么用。一个有效的 CLAUDE.md 必须包含三类内容：边界、规则、约定。
写 CLAUDE.md 的关键原则：写 AI 容易犯错的点，不写 AI 已经知道的常识。"Spring Boot 是 Java 框架"这种废话不用写；"@Transactional 必须加 rollbackFor"这种容易漏的细节必须写。
CLAUDE.md 的另一个常见错误是写得太长。见过 800 行的 CLAUDE.md，结果 AI 反而抓不住重点。建议控制在 300 行以内，用条款式短句，而不是长篇大论。如果内容真的多，拆成多个文档，在 CLAUDE.md 里引用路径。
三、第二层：流程层——九步法强制 AI 不偷懒
光有规则不够。AI 收到一个需求，默认行为是"尽快给出代码"，中间过程能跳就跳。需要一套流程，强制 AI 走完：需求确认 → 方案设计 → 编码 → 自检 → 测试 → 交付。
团队总结的九步法：
1. 需求确认 → AI 必须先复述需求，列出边界情况和疑问
2. PRD 编制 → 中等以上复杂度必须出 PRD，落盘
3. 方案设计 → 产品/UI/技术三部分，每部分单独自审
4. 分步实现 → 按子任务逐个实现，每个子任务完成汇报
5. 自检审查 → 走完 review checklist 才能进入测试
6. 测试验证 → 单测 + 集成测试 + 手工测试矩阵
7. 交付验收 → 输出交付清单（变更文件、SQL、回退方案）
8. 部署指引 → 输出部署步骤、回滚方案
9. 记录归档 → 自动生成 dev-log九步法最大的价值，不是让 AI 多干活，而是让 AI 暴露中间状态。裸用 AI 的时候，看到的只有最终代码，中间它怎么想的、跳过了什么，一概不知。九步法强制每一步都输出文档，这些文档就是审核的抓手。
四、第三层：记忆层——让 AI 跨会话保持一致
AI 默认是"金鱼记忆"，每次对话都是新开始。这导致两个问题：同一个项目，AI 这次告诉你的最佳实践，下次可能就忘了；你这次纠正它的反模式，下次它又犯。
解决方案是把"项目知识"沉淀下来，让 AI 每次都能读到。这分两块：
项目知识库——docs/ 目录下的文档，AI 在需求确认阶段必须读。先用 Glob 精确匹配，再用 Grep 定向搜索，禁止直接全局搜索代码。
记忆文件——.claude/memory/ 下的 AI 专属记忆，记录跨会话的反馈。每次 AI 收到反馈时就主动沉淀。半年下来，积累了几十条这样的"踩坑记忆"，AI 重复犯错的概率从 14% 降到了 3%。
记忆文件不是越长越好。单文件控制在 100 行内，有具体的"为什么"和"怎么用"，而不是抽象原则。
五、第四层：技能层——把可复用的能力封装成 Skill
写了一个月之后，会发现 AI 在某些场景下反复需要"提示"。比如每次写 SQL，都要提醒它"用预编译、加 LIMIT、加索引"；每次写并发代码，都要提醒它"用 ThreadPoolExecutor 不要用 Executors、加超时"。
这些反复出现的提醒，就是 Skill 的最佳候选。
Skill 的本质是预置的提示词模板，用 Skill 工具调用。比起在 CLAUDE.md 里堆所有规则，Skill 是按需加载，token 消耗低，而且便于版本化管理——Skill 文件就是 git 仓库里的 markdown，谁加的规则、什么时候加的、为什么加，git blame 一清二楚。
Skill 不是越多越好。见过反面案例：某团队装了 50 多个 Skill，结果 AI 每次都要"考虑"几十个 Skill 是否适用，响应变慢，而且不同 Skill 之间偶有规则冲突。Skill 应该精挑细选，一个领域一个就够，发现重复就合并。
六、第五层：协作层——子代理处理独立任务
到了这一层，已经不是"用一个 AI 写代码"了，而是"用多个 AI 协作"。
Claude Code 的子代理（Subagent） 支持主代理接到复杂任务后，拆分成多个子任务，派给不同类型的子代理并行处理。这就像一个团队 leader 拆任务给工程师，而不是自己一个人干。
典型场景：大型重构。比如把全项目日志框架从 Log4j 1.x 升级到 Log4j 2，涉及 200 多个文件。正确做法是用子代理：
主代理（架构师角色）：
1. 扫描全项目，把文件按模块分组（50 个文件/组）
2. 派出 5 个子代理（执行者角色），每个负责一组
3. 子代理改造完成后返回结果
4. 主代理汇总，做交叉一致性检查
5. 主代理自己改造入口配置（只改 2-3 个文件）子代理的三个坑：
- 坑 1：子代理之间信息不共享。A 子代理改了某个公共类，B 子代理不知道，容易引入不一致。解决方法：子代理不能改公共类，公共类的修改由主代理统一处理。
- 坑 2：子代理任务粒度不好定。经验值是单个子代理任务不超过 30 分钟、不超过 50 个文件。
- 坑 3：子代理结果需要验证。子代理说"我改完了"不等于"改对了"。主代理必须抽样验证——随机挑 20% 的子代理输出，人工或工具复核。
七、五层联动的实际效果
把五层做完整之后，团队的数据（统计了 3 个月的 80 个需求）：
| 指标 | 工程化前 | 工程化后 | 变化 |
|---|---|---|---|
| 平均需求交付时长 | 4.2 小时 | 1.8 小时 | -57% |
| 平均 AI 对话轮次 | 18 轮 | 6 轮 | -67% |
| 一次审核通过率 | 22% | 71% | +213% |
| 平均返工次数 | 2.3 次 | 0.4 次 | -83% |
| 引发生产 Bug 数 | 7 个 | 1 个 | -86% |
每一层都在填补 AI 默认行为的某个坑：
- 规则层填补"AI 不知道项目约定"
- 流程层填补"AI 偷懒跳步"
- 记忆层填补"AI 跨会话不一致"
- 技能层填补"AI 反复犯同类错误"
- 协作层填补"AI 处理大任务时上下文爆炸"
每一层都是必要的，缺一层都会留下系统性漏洞。
八、几个反模式，你别踩
反模式 1：把 CLAUDE.md 当文档中心
把所有项目文档都堆进 CLAUDE.md，3000 行，结果 AI 反而抓不住重点。CLAUDE.md 应该是索引，指向其他文档，而不是文档本身。
反模式 2：九步法一刀切
简单需求（改个文案、修个 typo）也走九步法，纯属浪费。九步法必须按复杂度分层：简单需求简化到三步（需求确认 → 编码 → 自检），中等需求完整走，复杂需求每步都要详细。
反模式 3：Skill 滥用
每个细节都做成 Skill，导致 Skill 数量爆炸。Skill 应该是**"高频出现 + 容易犯错"**的规则集，低频场景写在 CLAUDE.md 里就够了。
反模式 4：子代理万能论
什么任务都派子代理，导致主代理退化成调度器，失去对代码的整体把控。子代理适合"重复性高、上下文独立"的任务，创造性强的任务必须主代理亲自干。
反模式 5：不更新记忆
记忆文件写一次就忘了，半年前的反模式现在可能已经过时。建议每季度做一次记忆清理，删掉过时的、合并重复的、补充新的。
结语：AI 不是替代工程师，而是放大工程师
做完这套工程化建设之后，有一个反直觉的发现：用 AI 用得好的团队，工程师反而更累了——但累在更高级的事情上。
以前累在写 CRUD、改 bug、补测试，这些事 AI 接手了。现在累在写规则、设计流程、review 代码、做架构决策——这些事 AI 做不了。从一个"代码生产者"变成了"AI 监工 + 架构师"，工作内容升级了。
这就是 Vibe Coding 工程化的本质：不是让 AI 替代工程师，而是让工程师把时间花在更值得花的地方。规则、流程、记忆、技能、协作，这五层不是给 AI 建的，是给未来的自己和整个团队建的。
从今天开始，如果你的团队还在"裸用 AI"，先从写一份靠谱的 CLAUDE.md 开始。这是最容易的一步，也是回报最大的一步。剩下的四层，慢慢建。三个月见效，半年成型，一年脱胎换骨。