AI-Coding概念全景

AI Coding 概念全景

概述

AI Coding（AI 辅助编程）是指利用大语言模型（LLM）及相关工具来辅助或自动化软件开发过程的技术范式。从 2022 年 GitHub Copilot 正式发布开始，AI 编程工具经历了从”代码补全”到”自主编程 Agent”的快速演进，深刻改变了软件开发的工作方式。

本文系统梳理 AI Coding 领域的核心概念、编程模式、基础技术、工具生态和方法论，适合作为入门和进阶的参考索引。

💡 提示: 阅读建议
本文是概念索引型笔记，建议结合 Prompt Engineering详解和 Agent架构模式详解一起阅读。

一、核心理念

1.1 Vibe Coding（氛围编程）

由 Tesla / OpenAI 前 AI 总监 Andrej Karpathy 于 2025 年 2 月提出的概念。

核心思想：开发者不再逐行编写代码，而是用自然语言描述需求，完全依赖 AI 生成代码，”凭感觉”（vibe）推进开发。

典型工作流：

用口语化的自然语言描述功能需求
AI 生成完整代码
运行代码，观察结果
遇到报错 → 直接把错误信息丢给 AI 修复
反复迭代直到功能完成

特点：

开发者角色从”工程师”转变为”产品经理”
不需要深入理解代码实现细节
适合快速原型验证和个人项目
风险：代码质量难以保证，可能积累大量技术债务

⚠️ 警告: 注意
Vibe Coding 适合原型验证和个人项目，但在生产环境中需要谨慎使用，缺乏代码审查可能引入安全漏洞和性能问题。

1.2 Spec Coding（规范编程）

Vibe Coding 的对立面。在让 AI 写代码之前，先编写详细的技术规范文档（Spec），AI 严格按照规范执行。

核心思想：用结构化的规范约束 AI 的输出，确保生成的代码符合预期的架构、接口和行为。

典型工作流：

编写详细的需求规范（PRD / 技术设计文档）
定义接口契约（API Schema、类型定义）
明确约束条件（技术栈、编码规范、性能要求）
将规范作为 Prompt 上下文提供给 AI
AI 按照规范生成代码
对照规范进行验证和审查

与 Vibe Coding 的对比：

维度	Vibe Coding	Spec Coding
前期投入	低，直接开始	高，需要编写规范
代码质量	不可控	可预期
适用场景	原型验证、个人项目	生产环境、团队协作
开发者角色	产品经理	架构师
可维护性	低	高

1.3 YOLO Coding（冒险编程）

比 Vibe Coding 更极端的风格。完全不审查 AI 生成的代码，直接部署上线，”You Only Live Once”。

特点：

完全信任 AI 输出，不做任何人工审查
追求极致的开发速度
高风险：可能引入严重的安全漏洞和 Bug

🔥 危险: 警告
YOLO Coding 在任何生产环境中都不推荐使用，仅适合一次性的实验项目或学习探索。

1.4 Plan-and-Execute（规划执行模式）

介于 Vibe Coding 和 Spec Coding 之间的务实风格。先让 AI 制定实施计划，人类审批后再执行。

典型工作流：

描述需求，让 AI 生成实施计划（Plan）
人类审查计划，提出修改意见
计划确认后，AI 按步骤执行（Execute）
每步完成后检查结果，必要时调整

代表实现：Cursor 的 Plan Mode、Claude Code 的 EnterPlanMode

1.5 AI 编程风格谱系

从”随性”到”严谨”，AI 编程风格形成一个连续的谱系：

随性 ◄──────────────────────────────────► 严谨

YOLO       Vibe        Plan-and-       Spec
Coding     Coding      Execute         Coding
  │          │            │               │
完全不审查  凭感觉走    先规划后执行    先写规范再编码

选择建议：根据项目性质选择合适的风格——个人实验用 Vibe，正式项目用 Plan-and-Execute 或 Spec。

1.6 Context Engineering（上下文工程）

比 Prompt Engineering 更进一步的概念。不仅关注单条提示词的质量，更关注如何系统性地为 AI 构建完整、准确的上下文环境。

核心要素：

代码上下文：让 AI 看到相关的代码文件、类型定义、依赖关系
项目上下文：技术栈、架构决策、编码规范（通过 CLAUDE.md 等配置）
历史上下文：相关的 Issue、PR、设计文档
领域上下文：业务规则、行业术语、领域模型

与 Prompt Engineering 的区别：

维度	Prompt Engineering	Context Engineering
关注点	单条提示词的措辞	整体信息环境的构建
范围	单次对话	跨对话、跨工具
手段	优化措辞和格式	RAG、MCP、项目配置、工具链
目标	让 AI 理解当前任务	让 AI 理解整个项目

💡 提示: 趋势
随着 AI 编程工具的成熟，Context Engineering 正在成为比 Prompt Engineering 更重要的技能。好的上下文比好的提示词更能决定 AI 的输出质量。

1.7 AI Native Development（AI 原生开发）

一种从项目立项开始就将 AI 工具深度融入开发全流程的理念。

与传统开发的区别：

维度	传统开发	AI 原生开发
需求分析	人工编写 PRD	AI 辅助生成需求文档
架构设计	人工设计	AI 提供架构建议
编码实现	手动编写	AI 生成 + 人工审查
测试	手动编写测试用例	AI 自动生成测试
代码审查	人工 Review	AI Review + 人工确认
文档	手动编写	AI 自动生成和维护

核心原则：AI 不是”附加工具”，而是开发流程的”基础设施”。

1.8 Human-in-the-Loop（人机协作模式）

指在 AI 自动化流程中保留人类决策节点的协作模式。

在 AI Coding 中的体现：

审批节点：AI 生成代码后，人类审查并决定是否采纳
纠偏机制：当 AI 偏离预期方向时，人类及时介入修正
关键决策：架构选型、安全相关代码等由人类最终决定

重要性：即使 AI 能力不断增强，Human-in-the-Loop 仍然是保证代码质量和安全性的关键机制。

二、编程模式

2.1 Copilot 模式（副驾驶模式）

AI 作为被动辅助角色，在开发者编写代码时实时提供补全和建议。

工作方式：

开发者主导编码，AI 实时提供行级/块级代码补全
开发者可以接受、修改或拒绝 AI 的建议
AI 根据当前文件上下文和光标位置推断意图

代表产品：GitHub Copilot、Codeium、Tabnine

优势：

提升编码速度，减少重复劳动
开发者保持对代码的完全控制
学习曲线低，易于融入现有工作流

局限：

只能处理局部代码，缺乏全局视角
无法执行跨文件的复杂重构
被动响应，不能主动发现和解决问题

2.2 Agentic Coding（智能体编程）

AI 作为自主 Agent，能够独立规划和执行多步骤编程任务。

与 Copilot 模式的核心区别：

维度	Copilot 模式	Agentic Coding
主动性	被动响应	主动规划执行
范围	单文件局部补全	跨文件全局操作
能力	代码补全	读写文件、执行命令、搜索代码
交互	实时内联建议	对话式任务驱动
自主性	低	高

典型能力：

自主读取和分析代码库结构
规划多步骤任务并逐步执行
调用终端执行命令（构建、测试、部署）
跨多个文件进行协调修改
自动修复错误并验证结果

代表产品：Claude Code、Cursor Agent Mode、Devin、Windsurf

ℹ️ 信息: 延伸阅读
关于 Agent 的架构原理，参见 Agent架构模式详解。

2.3 AI Pair Programming（AI 结对编程）

借鉴传统”结对编程”概念，由人类开发者与 AI 组成搭档共同完成开发任务。

与传统结对编程的对比：

传统：两个人类开发者，一人编码（Driver），一人审查（Navigator）
AI 结对：人类担任 Navigator 角色（把控方向），AI 担任 Driver 角色（执行编码）

最佳实践：

人类负责需求拆解、架构决策和代码审查
AI 负责代码生成、测试编写和重复性工作
保持持续对话，及时纠偏

三、基础技术概念

3.1 LLM（Large Language Model，大语言模型）

驱动 AI Coding 的核心技术。LLM 通过在海量代码和文本数据上训练，学会了理解和生成代码的能力。

主流代码模型：

模型	厂商	特点
Claude	Anthropic	长上下文、强推理、安全性高
GPT-4o	OpenAI	多模态、生态丰富
Gemini	Google	超长上下文窗口
DeepSeek Coder	DeepSeek	开源、代码能力强
Codestral	Mistral	专注代码生成
Qwen Coder	阿里	中文友好、开源

ℹ️ 信息: 延伸阅读
关于 LLM 的基础知识，参见大模型学习路线。

3.2 Token（令牌）

LLM 处理文本的最小单位。代码和自然语言都会被拆分为 Token 序列后送入模型。

关键要点：

1 个英文单词 ≈ 1-2 个 Token
1 个中文字 ≈ 1-3 个 Token
代码中的符号、关键字各占不同数量的 Token
Token 数量直接影响 API 调用成本和响应速度
输入 Token（Prompt）和输出 Token（Completion）分别计费

3.3 Context Window（上下文窗口）

模型单次对话能处理的最大 Token 数量，决定了 AI 能”看到”多少代码。

对 AI Coding 的影响：

窗口越大 → 能同时分析更多文件，理解项目全貌
窗口越小 → 只能处理局部代码，容易丢失上下文
当前主流模型上下文窗口：128K ~ 1M Token

实际意义：一个 128K Token 的窗口大约能容纳一个中型项目的核心代码文件。

3.4 Hallucination（幻觉）

AI 模型生成看似合理但实际上不正确或不存在的内容。在 AI Coding 中尤为危险。

代码幻觉的常见表现：

调用不存在的 API 或方法（如编造一个库的函数名）
引用不存在的包或依赖
生成语法正确但逻辑错误的代码
编造不存在的配置项或参数
给出过时的 API 用法（基于训练数据截止日期之前的版本）

应对策略：

始终验证 AI 生成的代码能否编译/运行
核实 AI 提到的 API 和库是否真实存在
对关键逻辑编写单元测试
使用 RAG 技术提供最新文档作为上下文

3.5 Prompt Injection（提示注入）

一种安全攻击手段，通过在输入中嵌入恶意指令，诱导 AI 模型执行非预期的操作。

在编程场景中的具体表现：

代码注释或字符串中隐藏恶意 Prompt，诱导 AI 生成不安全代码
用户输入中包含指令，让 AI Agent 执行危险的终端命令（如 rm -rf）
通过精心构造的 Issue 或 PR 描述，操纵 AI Code Review 的判断
依赖包的 README 中嵌入指令，影响 AI 对该库的使用建议

应对策略：

对 AI Agent 的工具调用权限进行严格限制（沙箱执行）
不将未经过滤的用户输入直接拼接到 Prompt 中
对 AI 执行的高危操作（删除文件、执行命令）设置人工确认环节

3.6 Overconfidence（过度自信）

AI 模型对自己生成的错误内容表现出高度确信，不会主动表达不确定性。

在编程场景中的具体表现：

给出错误的代码解释时语气非常肯定，没有任何犹豫
推荐已废弃的 API 时不会提示”我不确定这是否仍然可用”
对复杂业务逻辑给出看似完整但实际遗漏边界条件的实现
被追问时可能编造理由来”证明”自己的错误答案

与 Hallucination 的区别：

Hallucination 强调内容本身是虚构的
Overconfidence 强调模型对错误内容的确信态度，让开发者更难察觉问题

应对策略：

不因 AI 语气肯定就跳过验证
对关键逻辑始终编写测试用例
主动要求 AI 列出”可能存在的风险点”

3.7 Context Window Limitation（上下文窗口限制）

虽然 3.3 节介绍了 Context Window 的基本概念，但在实际编程中，窗口限制带来的具体问题值得单独关注。

在编程场景中的具体表现：

长文件截断：大型代码文件无法完整放入上下文，AI 只能看到部分代码，导致修改不完整
跨文件遗忘：在多文件重构时，AI 处理后面的文件时可能”忘记”前面文件的修改细节
对话退化：长对话中早期的需求说明和约定逐渐被挤出窗口，AI 开始偏离最初的方向
依赖链断裂：无法同时看到完整的依赖调用链，导致接口不匹配

应对策略：

将大任务拆分为小的、独立的子任务
在长对话中定期重申关键约束和规范
利用项目级配置文件（CLAUDE.md）持久化关键信息
使用 RAG 按需检索相关代码，而非一次性加载所有文件

3.8 Model Drift（模型漂移）

AI 模型在版本更新后行为发生变化，导致相同的 Prompt 产生不同的输出结果。

在编程场景中的具体表现：

同一段 Prompt 在模型更新前后生成的代码风格不一致
之前能正确处理的任务，模型更新后可能出错或输出格式改变
依赖特定模型行为的自动化工作流突然失效
团队成员使用不同模型版本，生成的代码风格不统一

应对策略：

在关键工作流中锁定模型版本（如指定 claude-opus-4-20250514）
不过度依赖模型的特定输出格式，保持 Prompt 的鲁棒性
建立代码生成的验证测试，模型更新后自动回归验证

3.9 Code Entanglement（代码缠绕/纠缠）

AI 生成的代码与项目已有代码之间产生不必要的紧耦合，导致难以独立修改或移除。

在编程场景中的具体表现：

AI 生成的新功能代码与已有模块产生隐式依赖，牵一发而动全身
多次让 AI 修改同一段代码后，逻辑层层嵌套，形成”补丁叠补丁”的混乱结构
AI 为了快速实现功能，直接修改公共模块而非创建独立抽象，影响其他功能
不同对话中 AI 生成的代码之间存在冲突的设计假设

应对策略：

要求 AI 遵循单一职责原则，新功能尽量独立封装
定期审查 AI 生成代码的依赖关系
在 Prompt 中明确指出哪些模块不应被修改

3.10 Code Rot from AI（AI 代码腐化）

随着时间推移，AI 生成的代码因缺乏人类理解和维护而逐渐退化的现象。

在编程场景中的具体表现：

开发者不理解 AI 生成的代码逻辑，后续修改时引入 Bug
AI 生成的”黑盒代码”无人敢动，逐渐成为系统中的”地雷区”
依赖的库版本过时，但没人清楚 AI 当初为什么选择这个库
缺少注释和文档，后续维护者无法理解设计意图

与传统 Code Rot 的区别：

传统代码腐化：开发者理解代码但疏于维护
AI 代码腐化：从一开始就没有人真正理解这段代码

应对策略：

对 AI 生成的关键代码，要求附带设计说明
在接受 AI 代码前确保自己能理解其逻辑
建立代码所有权机制，明确每段代码的负责人

3.11 RAG（Retrieval-Augmented Generation，检索增强生成）

在生成回答前，先从外部知识库检索相关信息，再将检索结果作为上下文提供给模型，从而提升回答的准确性。

在代码场景的应用：

检索项目代码库，让 AI 理解项目结构和编码规范
检索最新的 API 文档，避免生成过时的代码
检索内部技术文档和设计规范
检索 Issue 和 PR 历史，理解变更背景

典型实现：

Cursor 的 @codebase 功能（索引整个项目）
Claude Code 的自动代码库搜索
自定义 RAG Pipeline（Embedding + 向量数据库）

ℹ️ 信息: 延伸阅读
关于 RAG 技术原理，参见 RAG技术详解和 Advanced-RAG详解。

四、开发方法论

4.1 Prompt Engineering（提示工程）

通过精心设计的提示词/指令来引导 AI 生成更准确代码的技术。在 AI Coding 场景下，Prompt 质量直接决定代码质量。

编程场景下的 Prompt 技巧：

明确技术栈：指定语言、框架、版本（如”使用 TypeScript + React 18”）
提供上下文：给出相关的类型定义、接口、已有代码
约束输出格式：要求遵循特定编码规范或设计模式
分步拆解：将复杂需求拆分为多个小任务逐步完成
给出示例：提供期望的输入输出样例

ℹ️ 信息: 延伸阅读
详细内容参见 Prompt Engineering详解。

4.2 Zero-Shot / Few-Shot Coding

两种不同的 AI 编程策略，区别在于是否提供示例。

Zero-Shot（零样本）：

不给任何示例，直接描述需求让 AI 生成代码
适合通用性强的任务（如”写一个快速排序”）
依赖模型自身的知识储备

One-Shot / Few-Shot（少样本）：

提供 1 个或几个示例，让 AI 模仿风格和模式生成代码
适合需要遵循特定编码规范或项目风格的场景
显著提升输出与预期的一致性

实际应用：

// Few-Shot 示例：让 AI 按照项目风格生成代码
// 示例1：
function getUserById(id: string): Promise<User> { ... }
// 示例2：
function getOrderById(id: string): Promise<Order> { ... }
// 请按照上述风格生成 getProductById

4.3 Fine-tuning vs Prompting

两种优化 AI 代码生成效果的路径。

Prompting（提示优化）：

通过调整输入提示词来改善输出
零成本，即时生效
适合大多数日常编程场景
受限于模型本身的能力边界

Fine-tuning（微调）：

在特定代码数据集上对模型进行二次训练
需要训练数据和计算资源
能让模型深度适配特定编程语言、框架或企业编码规范
适合企业级定制化场景

选择建议：优先尝试 Prompting，当 Prompting 无法满足需求时再考虑 Fine-tuning。

4.4 MVP（Minimum Viable Product，最小可行产品）

用最少的功能和工作量快速构建一个可运行的产品原型，用于验证想法和收集反馈。

AI 时代的 MVP 变革：

构建门槛大幅降低：非程序员也能通过 Vibe Coding 快速出原型
迭代速度加快：AI 辅助下，从想法到可运行原型可能只需数小时
验证成本降低：快速试错，不可行就丢弃，减少沉没成本

MVP 开发流程（AI 辅助）：

明确核心价值假设（要验证什么）
确定最小功能集
使用 AI 工具快速生成代码
部署并收集用户反馈
根据反馈决定是否继续投入

五、工具与协议

5.1 AI IDE 工具生态

当前主流的 AI 编程工具可分为三类：

5.1.1 AI 增强型 IDE

在传统 IDE 基础上深度集成 AI 能力：

工具	基础	核心特点
Cursor	VS Code Fork	Chat + Agent + Composer 多模式，支持 `@codebase` 全局索引
Windsurf	VS Code Fork	Codeium 出品，Cascade 流式协作模式
Trae	VS Code Fork	字节跳动出品，中文友好
VS Code + Copilot	VS Code	GitHub 官方插件，生态最成熟

5.1.2 CLI 型 Agent 工具

在终端中运行的自主编程 Agent：

工具	厂商	核心特点
Claude Code	Anthropic	终端 Agent，深度代码理解，支持 MCP 扩展
Gemini CLI	Google	终端 Agent，超长上下文，Google 生态集成
Aider	开源	支持多种模型，Git 集成好
Codex CLI	OpenAI	终端 Agent，沙箱执行

5.1.3 全自主型 Agent

能独立完成从需求到交付的全流程：

工具	特点
Devin	首个”AI 软件工程师”，拥有独立开发环境
OpenHands	开源全自主 Agent，支持自定义工作流

5.2 MCP（Model Context Protocol，模型上下文协议）

由 Anthropic 于 2024 年底提出的开放协议，为 AI 模型连接外部工具和数据源提供标准化接口。

核心概念：

MCP Server：提供工具和资源的服务端（如数据库连接、API 调用、文件操作）
MCP Client：调用 MCP Server 的 AI 应用（如 Claude Code、Cursor）
Tools：Server 暴露的可调用功能（如查询数据库、发送请求）
Resources：Server 提供的可读取数据（如文档、配置）

意义：

统一了 AI 工具的扩展方式，避免每个工具各自实现
类似于”AI 世界的 USB 接口”——即插即用
让 AI 能安全地访问外部系统（数据库、API、浏览器等）

ℹ️ 信息: 延伸阅读
关于 MCP 工具机制，参见 MCP工具列表获取机制。

5.3 Cursor Rules / CLAUDE.md（项目级 AI 配置）

通过在项目根目录放置配置文件，为 AI 工具提供项目级别的指令和约束。

主流配置文件：

文件	适用工具	作用
`.cursorrules`	Cursor	定义项目编码规范、技术栈、AI 行为约束
`CLAUDE.md`	Claude Code	项目指令、工作流规则、Skill 配置
`.github/copilot-instructions.md`	GitHub Copilot	项目级 Copilot 指令
`.windsurfrules`	Windsurf	项目级 Windsurf 指令

典型内容：

项目使用的技术栈和版本
编码规范和命名约定
目录结构说明
禁止或推荐的做法
自动化工作流规则

意义：让 AI 工具”理解”项目上下文，生成更符合项目规范的代码，相当于给 AI 一份”项目入职手册”。

ℹ️ 信息: 延伸阅读
关于 Claude Code Skills 机制，参见 Claude Code Skills详解。

六、质量与挑战

6.1 Code Review by AI（AI 代码审查）

利用 AI 对代码变更进行自动化审查，发现潜在问题。

AI Code Review 的能力范围：

检测常见 Bug 和逻辑错误
识别安全漏洞（SQL 注入、XSS 等）
检查编码规范一致性
发现性能瓶颈和资源泄漏
评估代码可读性和可维护性

局限性：

难以理解复杂的业务逻辑上下文
可能产生误报（False Positive）
无法替代人类对架构合理性的判断
对跨服务/跨系统的影响分析能力有限

最佳实践：AI Review 作为第一道防线，人工 Review 作为最终把关。

6.2 Technical Debt from AI（AI 生成代码的技术债务）

AI 生成的代码虽然能快速实现功能，但可能引入隐性的技术债务。

常见问题：

过度工程：AI 倾向于生成”完整”但过于复杂的解决方案
风格不一致：不同对话生成的代码风格可能不统一
冗余代码：AI 可能生成重复逻辑而非复用已有模块
缺乏全局视角：局部最优但全局不合理的设计
依赖膨胀：AI 可能引入不必要的第三方依赖
测试覆盖不足：功能代码生成快，但测试往往被忽略

应对策略：

定期进行代码审查和重构
建立项目级 AI 配置文件（如 CLAUDE.md）约束生成规范
保持 Human-in-the-Loop，不盲目接受 AI 输出
维护良好的测试覆盖率

七、概念速查表

概念	一句话解释
Vibe Coding	用自然语言描述需求，凭感觉让 AI 写代码
Spec Coding	先写详细技术规范，AI 严格按规范生成代码
YOLO Coding	完全不审查 AI 代码直接部署，极端冒险风格
Plan-and-Execute	先让 AI 制定计划，人类审批后再执行
Context Engineering	系统性地为 AI 构建完整准确的上下文环境
AI Native Development	从立项开始就将 AI 融入开发全流程
Human-in-the-Loop	AI 自动化中保留人类决策节点
Copilot 模式	AI 被动辅助，实时代码补全
Agentic Coding	AI 自主规划并执行多步骤编程任务
AI Pair Programming	人类把控方向，AI 执行编码
LLM	驱动 AI 编程的大语言模型
Token	模型处理文本的最小单位，影响成本和速度
Context Window	模型单次能处理的最大 Token 数
Hallucination	AI 生成看似合理但实际错误的代码
Prompt Injection	通过恶意输入诱导 AI 执行非预期操作
Overconfidence	AI 对错误内容表现出高度确信，不表达不确定性
Context Window Limitation	上下文窗口有限导致长文件截断、跨文件遗忘
Model Drift	模型版本更新后相同 Prompt 产生不同输出
Code Entanglement	AI 生成代码与已有代码产生不必要的紧耦合
Code Rot from AI	AI 生成的代码因无人真正理解而逐渐退化
RAG	检索外部知识增强生成准确性
Prompt Engineering	通过优化提示词提升代码生成质量
Zero-Shot / Few-Shot	无示例 vs 有示例的 AI 编程策略
Fine-tuning	在特定数据上二次训练模型
MVP	最小可行产品，快速验证想法
MCP	AI 连接外部工具的标准化协议
Cursor Rules / CLAUDE.md	项目级 AI 行为配置文件
AI Code Review	AI 自动化代码审查
Technical Debt from AI	AI 生成代码引入的隐性技术债务

总结

AI Coding 正在从”辅助工具”演变为”开发基础设施”。理解这些核心概念有助于：

选择合适的工具和模式：根据项目需求选择 Copilot 模式还是 Agentic Coding
规避常见陷阱：警惕 Hallucination 和技术债务
建立高效工作流：通过 Prompt Engineering、项目级配置和 Human-in-the-Loop 机制提升协作效率
保持技术判断力：AI 是工具而非替代品，核心架构决策仍需人类把关

⚠️ 重要: 核心观点
AI Coding 的本质不是”让 AI 替你写代码”，而是”让人类开发者借助 AI 做出更好的技术决策、更快地交付高质量软件”。

AI-Coding概念全景

AI Coding 概念全景

概述

一、核心理念

1.1 Vibe Coding（氛围编程）

1.2 Spec Coding（规范编程）

1.3 YOLO Coding（冒险编程）

1.4 Plan-and-Execute（规划执行模式）

1.5 AI 编程风格谱系

1.6 Context Engineering（上下文工程）

1.7 AI Native Development（AI 原生开发）

1.8 Human-in-the-Loop（人机协作模式）

二、编程模式

2.1 Copilot 模式（副驾驶模式）

2.2 Agentic Coding（智能体编程）

2.3 AI Pair Programming（AI 结对编程）

三、基础技术概念

3.1 LLM（Large Language Model，大语言模型）

3.2 Token（令牌）

3.3 Context Window（上下文窗口）

3.4 Hallucination（幻觉）

3.5 Prompt Injection（提示注入）

3.6 Overconfidence（过度自信）

3.7 Context Window Limitation（上下文窗口限制）

3.8 Model Drift（模型漂移）

3.9 Code Entanglement（代码缠绕/纠缠）

3.10 Code Rot from AI（AI 代码腐化）

3.11 RAG（Retrieval-Augmented Generation，检索增强生成）

四、开发方法论

4.1 Prompt Engineering（提示工程）

4.2 Zero-Shot / Few-Shot Coding

4.3 Fine-tuning vs Prompting

4.4 MVP（Minimum Viable Product，最小可行产品）

五、工具与协议

5.1 AI IDE 工具生态

5.1.1 AI 增强型 IDE

5.1.2 CLI 型 Agent 工具

5.1.3 全自主型 Agent

5.2 MCP（Model Context Protocol，模型上下文协议）

5.3 Cursor Rules / CLAUDE.md（项目级 AI 配置）

六、质量与挑战

6.1 Code Review by AI（AI 代码审查）

6.2 Technical Debt from AI（AI 生成代码的技术债务）

七、概念速查表

总结

相关链接