---
date: '2026-07-03 08:00:00'
description: 通过确定性的工作流和稳固的规则文档，可在多轮对话中为 AI 提供足够上下文，避免模型“降智”导致的跑偏。核心做法包括使用低成本模型配合详细流程、将喜好和项目规则沉淀为本地文档、在对话结束时让 AI 总结需求描述，以及合理管理中间文档存放位置，从而提升 AI 的可靠性和效率。
hidden: false
urlname: stable-vibe-coding-workflow
title: 告别许愿式开发：如何用确定性的工作流对抗 AI “降智”
tags:
  - 赛博空间
  - VibeCoding
cover: 'https://image.1874.run/blog/4dcef5bffd04550dc631fa352c4184ce.png'
updated: '2026-07-03 17:26:00'
draft: false
---

## 背景


最近社区看到很多人吐槽模型降智、Codex 不如 Claude 之类的评论。这里分享一点我自己的经验吧。


我自己是刚升级到 Codex Pro 5x 的订阅用户，之前的 Plus 也使用了好几个月了。同时我也订阅了火山 Coding Plan 的 Pro 套餐，也用过一段时间 GLM5.2 作为主力/辅助编程模型。


从目前的体验来看，我几乎没感受到 GLM5.2 和 Codex medium/high/xigh 的明显差异。


我对差异好坏的评价体系为：

1. 能否能正确完成需求，解决速度是其次。我不追求一次提问就能解决问题，反而多轮对话能让我更清楚自己的需求和问题，防止出现 AB 问题。
2. 有没有偶尔提供一些我想不到但非常合理的方案和边界。
3. 会不会在多轮对话中，在明显告知边界和步骤的情况下跑偏。

## 社区评论


我经常刷到社区的评论吐槽，包括偶尔在直播间刷到类似吐槽如下：

> 
> 1. 一行注释不写，不知道自己生成单元测试，额外多写几个不必要的类出来，也不向我逐个确认要点
> 2. 模型降智太严重了，太笨了
> 3. 我之前很快就能解决问题，现在慢的要死
>

我的感受是：你们是怎么感受出来他降智了？


首先，不排除模型真的有降智问题，但因为【模型是否真的降智】是需要用控制变量法来测试的。

> 这也是很多 AI 测评博主使用的主要手段。他们会准备相同且非常详细的提示词，来喂给不同的 AI 执行，最后根据已经被验证的预期来打分和评价。

有可能还会和上下文不同、上下文是否满了、安装的 SKILL的不同等相关。


所以我想抛开一些模型本身的能力之外，简单聊一下该如何能稳定 AI  Agent 的能力，不管有没有真的「降智」，都能让 AI Agent 结合自己的编码喜好、项目规则，防止未来写出不符合预期的代码。


## 关于许愿式开发


从我了解到的社区使用场景来说，包括我自己，也受限于表达能力，会经常出现许愿式开发，期待一次对话就能解决问题。


我觉得这也没毛病，谁不想拥有一个能猜到你全部心思的私密机器人，但现实我确实目前还没有看到这种可能性。反而我更喜欢多轮对话，能让我更清楚自己的需求，防止出现 AB 问题。


但如果始终是许愿式开发，评价体系为 AI  Agent 能一次性猜到我想的 = 聪明，猜不到 = 不聪明。那任何模型应该都存在这个问题，除非他能接你的脑机接口，知道你脑子里的全部上下文  。


而且由于变量的不同，会有一些可能存在的错误判断：


例如在 Claude 中聊问题 A，发现他能很快明白你的描述，能一次性按照你的心理预期完成需求。


一段时间后换到到 Codex 时，聊的是问题 B，但是他没能立马明白你的描述，得聊多轮才能按预期完成需求，不如 Claude 很快解决问题。


所以你得出结论：Claude 比 Codex 聪明，或者 Codex 降智严重。


但实际上有可能同样的提示词放到 Claude 中也未必能立马解决问题 B。


## 对抗 AI「 降智」的工作流


所以个人感觉许愿式开发总的来说是不稳定的。除了模型本身的能力确实是一个影响因素外，一个相对稳定的工作流是很重要的，他能很大程度对抗 AI「 降智」。


理论来说，用能力相对低一些的模型 + 稳定工作流也能解决大部分问题。


这里面最重要的就是得让 AI 知道你当前需求的足够上下文。

> [Superpowers](https://github.com/obra/superpowers) 的 Brainstorming SKILL 本身的设计理念就大概是这个意思，他需要获取足够多的信息才会进入设计和开发阶段。当然毕竟它比较重和费 Token，不是所有问题都得用 Superpowers 来解决。社区中还有非常多的工具都在尝试打破「你想的 => 你表达的 => AI想的 => AI执行」这个四层表达间的壁垒。

所以 AGENTS.md/CLAUDE.md，以及一些你本地的规则/流程文档，都是非常重要的上下文。


我日常使用时，基本都会让 AI 把稳定的规则或流程固定成本地文档。


例如在和 AI 他聊完当前项目是怎么部署的、项目的架构、哪些是我喜欢的习惯、哪些是我不喜欢的设计后。都可以让 AI 沉淀成固定文档，下次让他读这些文档就知道怎么开始了。


之前在 X 上也看到一个方法论：

> 在和 AI 聊完和并改完 BUG 之后，可以再最后问 AI 一句：如果回到一开始，我该怎么和你描述，你才能一次性解决这个问题。

感觉可以试试，也能学习到该如何和 AI 进行交流。


## 关于文档存放


近期发现，我用上述工作流 Vibe Coding 时，过程中需要沉淀的项目文档越来越多。有些还不适合提交到远端仓库。所以我也基于 Git 忽略/排除，制定了一套文档存放方案，方便 AI 读取和存放。


具体可以看我的博客文章：[给 Vibe Coding 中间文档找一个合适的位置](https://blog.1874.cool/vibe-coding-mid-doc)


## 总结


总得来说，你需要经常将你的喜好规则、项目规则、项目流程等文档，沉淀到适合的地方。


只要约束的好，就几乎不会出现超出你预期范围之外的跑偏，也就不太会出现「AI 真笨啊」的场景。