核心立场：AI 不是银弹。AI 是“放大器”，不是“替代者”。在软件工程中，领域设计与关键决策必须掌握在开发者手中，AI 负责加速实现，而不是主导架构。
一、问题背景：为什么不能“直接把需求丢给 AI”
在实践中我们很容易发现：
- 直接描述功能 → AI 自动生成代码
-
初期开发速度极快
-
但很快出现问题：
- 代码结构混乱、隐含假设多（ai幻想）
- 业务逻辑散落在各处
- 只有 AI 自己“理解”这些代码
- 人类维护成本反而更高
结论是：
如果 AI 决定了结构，那么这套代码最终只能由 AI 维护。
而在核心业务系统中，这是不可接受的。
二、核心原则：把精力从“写代码”转移到“做设计”
在 AI 助力下：
- 写代码 → 变得便宜
- 改代码 → 变得容易
- 设计错误 → 代价反而更大
因此核心策略是：
设计先行，AI 受约束实现。
开发者的角色发生转变：
过去的开发模式：
- 开发者更像是 砌墙的工人
- 按照 MVC、分层结构
- 一块一块把代码“砌”进系统里
- 更多关注的是：这一块怎么实现
新的开发模式（AI 时代）：
-
开发者更像是 建筑设计师
-
负责画图纸、定结构、算受力
-
要清楚：
- 哪里是承重结构
- 哪里是风险集中区
- 哪些地方一旦出问题会影响整体
-
AI 是施工方：
- 砌墙的工人
- 喷漆的工人
- 按图施工、加速实现
如果图纸是错的，施工再快，塌得也越快。
| 传统模式 | AI 协同模式 |
|---|---|
| 主要时间写代码 | 主要时间做设计 |
| 代码即事实 | 设计文档是事实 |
三、方法论基础：领域驱动设计（DDD）
DDD 在 AI 时代反而变得更重要，因为它提供了：
- 稳定的业务抽象
- 清晰的边界与职责
- 天然适合作为 AI 的约束输入
在本方法中，我们重点关注：
- 核心领域（Core Domain）
- 领域模型（Entity / Value Object）
- 领域行为（Domain Behavior）
- 聚合与不变量
AI 不能随意突破这些结构。
四、维护 AI 记忆：关键实践
为什么要“维护 AI 记忆”
如果让 AI 每次通过“读代码”来理解系统：
- Token 消耗大
- 理解不稳定
- 不同轮次结论可能不一致
解决方案：
让设计文档成为 AI 的唯一事实来源。
约束 AI 的工作方式
强制规则：
-
AI 修改任何代码时：
- 必须同步修改相关设计文档
-
设计文档 > 代码
-
代码只是设计的实现
📄 这些文档本身就构成了 AI 的长期记忆载体。
带来的收益
- AI 响应速度更快
- 功能变更影响分析更准确
- 减少“同一问题，不同答案”的情况
五、开发流程
与 ChatGPT：形成初始设计共识
目标：定方向、定边界、定约束
输出内容：
- 项目目标
- 核心业务假设
- 非功能性约束（性能、并发、一致性等）
- 架构边界与禁止事项
📄 产出物：项目约束文档（Project Constraints）
与 Claude：交叉验证与设计辩论
目标：挑战既有设计，避免思维盲区
做法：
-
将 ChatGPT 的结论完整输入给 Claude
-
重点讨论：
- 设计是否过度 / 不足
- 潜在的复杂度风险
- 是否有更简洁的领域建模方式
📄 产出物：设计评审补充说明
分模块输出子模块设计文档
以 DDD 为核心，每个模块都需要明确：
- 模块职责（Why）
- 核心领域对象（What）
- 领域行为与规则（How）
- 对外依赖与边界（With whom）
📄 产出物：模块级设计文档（Design Doc）
按优先级分模块开发
原则：
- 从核心领域开始
- 非核心模块可以允许 AI 更自由
- 核心模块必须强约束
开发方式：
- 人提供：设计文档 + 约束
- AI 输出：代码骨架 + 实现
单模块内代码审查（人类主导）
这是不可跳过的一步。
重点检查：
- 是否违反领域边界
- 是否出现隐式状态或副作用
- 是否存在“为了实现而实现”的代码
这个过程的本质是：
训练 AI 逐渐接近你的代码风格与思维方式。
整体模块串联与系统级校验
最后一步关注：
- 模块之间的调用是否符合最初设计
- 是否出现跨领域的逻辑渗透
- 是否需要重新划分边界
六、代码审查是必然的，而不是可选的
对 AI 开发保持“工程化怀疑”
AI 的代码特点：
- 看起来合理
- 实际可能隐藏问题
- 对边界与极端情况不敏感
永远不要完全信任。
推荐的安全策略
- 大改动前执行 Git Commit
- 不满意 → 快速回滚
- 每次 AI 修改后进行人工审查
长期收益
- AI 的输出会逐渐贴近你的风格
- 人类理解成本持续下降
- 审查成本呈递减趋势
前期审得越细，后期付出的精力越小。
七、总结
领域驱动 + AI 并不是为了更快写代码，而是为了：
- 更稳定的系统
- 更可控的复杂度
- 更低的长期维护成本
一句话总结：
人类负责“想清楚”，AI 负责“干得快”。
