一位开发者在 Linux.do 社区分享了关于 AI 辅助开发的实际痛点：在因成本原因混合使用 5.6Sol、Kimi 和 GLM 等不同大模型进行网站开发时，如何解决项目前后矛盾的问题。该开发者虽然在项目立项时就制定了严格的 Git 规则、文档存放位置，并在每一轮开发结束后强制生成详细的“Handoff 文档”来记录进度、问题及下一阶段任务，但实际效果并不理想。无论是切换模型还是继续使用同一模型，AI 都难以严格遵守最初设定的规则，导致新旧文档内容冲突，甚至越过开发红线。这一现象深刻揭示了当前 AI 编程工具在长周期项目管理和上下文记忆方面的局限性，表明仅靠提示词工程难以维持复杂项目的一致性。
事件分析
该案例暴露了当前 AI 编程生态在处理长周期、多模型协作项目时的核心缺陷。大模型普遍缺乏持久化记忆和严格的规则遵循能力，导致在上下文窗口之外的信息极易丢失或扭曲。开发者尝试使用“Handoff 文档”作为一种外挂的“记忆体”，试图通过提示词工程来约束模型行为，但在不同底层模型的训练数据分布差异面前，统一的行为规范难以奏效。这反映了 AI 智能体尚未真正具备软件工程所需的严谨性。从技术演进角度看，这表明单纯的对话式交互无法满足复杂的工程需求，行业正趋向于引入如 MCP 协议等标准化接口，或依赖外部向量数据库来维护项目事实的唯一性，以解决 AI 开发中的“精神分裂”问题。
核心观点：大模型缺乏持久记忆与严格规则遵循能力，单一对话模式难以支撑复杂工程，引入外部记忆层与标准化协议是解决AI开发一致性的关键。
原文链接：Linux.do
