在审查 DeepSeek 官方开源项目 deepseek-harness 时，作者发现了可直接应用于 Codex 或 Claude Code 的优质 Prompt。当前 AI 编码代理面临的主要问题已从“无法生成代码”转变为“过度设计”，即为了完成需求创造大量不必要的抽象层、配置、API 及状态管理。为此，项目中的“dsh-find-simplifications”Prompt 提供了针对性的解决方案。该 Prompt 旨在识别未被生产环境使用的 Public API、缺乏真实消费者的事件、多余的配置开关以及为了 speculative future 而预设的抽象层，甚至包括重复造轮子的基础设施代码。与常见的“遵循 KISS/YAGNI 原则”等口号不同，该 Prompt 强调严格的证据链验证，要求执行“符号 → 调用点 → 生产消费者 → 测试 → 文档 → 设计原理”的完整调查路径，并最终“证明或驳回”候选对象。这不仅是简单的指令，而是一套系统化的代码审计方法论，相关配置位于 `.agents/skills/dsh-find-simplifications/SKILL.md` 路径下。
事件分析
随着 Claude Code、Cursor 等 AI 编程工具的普及，开发者效率显著提升，但 AI 倾向于“过度工程化”的问题日益凸显。AI 往往基于训练数据中的“最佳实践”盲目堆砌复杂架构，导致代码库膨胀且难以维护。DeepSeek 分享的 Prompt 核心价值在于引入了工程化的审计思维，将“简化代码”从一个模糊的原则（如 KISS）转化为可执行、可验证的执行链路。这标志着提示词工程的进阶方向：不再是单向的指令下达，而是通过结构化的逻辑链条（如追溯符号引用）来弥补 AI 在全局架构理解上的缺陷。这种基于证据的“反向审计”模式，有望成为未来 AI 编码 Agent 进行代码审查和重构的标准范式。
核心观点：解决 AI 编码“过度设计”的关键，在于将定性的简化原则升级为定量的全链路代码审计与证据验证。
原文链接：Linux.do
