一位开发者在社区分享了其在历史项目中采用“Vibe Coding”（依托 AI Agent 进行编程）的实战经验。为确保 AI 生成的代码符合现有结构与风格，开发者在两个月内通过持续约束 AI 总结规范，构建了一个名为 AGENTS.MD 的上下文文件。这种策略虽然大幅降低了编码的心智负担，但也带来了严重的副作用：该规范文件体积已膨胀至 32KB。这导致即便发送简单的指令，也会触发巨大的 Token 消耗，严重影响了交互效率与成本。目前开发者正面临技术抉择：若将其封装为 Skill（技能），AI 可能无法在生成代码时全量读取所有必要的隐性规范。这一案例揭示了 AI 编程从简单演示走向复杂工程落地时，上下文窗口管理与知识库构建之间的深刻矛盾。
事件分析
该案例直击当前 AI 编程助手（如 Cursor、Claude 等）在企业级落地中的核心痛点：代码规范一致性维护与 Token 成本之间的博弈。随着项目周期的延长，单纯依赖系统提示词或单一文件来承载项目规范会导致上下文窗口迅速饱和，进而引发高昂的 API 费用或因上下文溢出导致指令遵循度下降。技术层面，这表明静态的“大 Prompt”模式难以适应长周期的工程迭代，未来的解决方案可能需要向 RAG（检索增强生成）架构演进，即由 IDE 插件根据当前编辑的文件类型，动态从向量数据库中检索相关的局部规范注入上下文，而非全量加载。这也标志着“Vibe Coding”正在从单文件生成向全栈系统级协作演进，对开发工具链的上下文管理能力提出了更高要求。
💡 核心观点：AI 编程正从“单点生成”迈向“系统级工程”，静态上下文管理已成瓶颈，RAG 与动态知识检索将是解决规范加载与成本冲突的必经之路。
原文链接：Linux.do
Codex CLI 深度
AI 模型横评
AI Agent 框架
Claude Code 订阅生存指南