🚨 90% 的人对 AI 编程的理解都错了！模型越强，你越要做这件事

你以为 AI 越强就能越随意？恰恰相反，环境规范才是真正的护城河。

最近，Anthropic Claude Code 团队的 Boris Cherny 在 X 上发了一条非常值得细品的推文，直接戳穿了很多人对 AI 编程的幻想。我把它和我们熟悉的套路做个对比，你会发现一个惊人真相：

过去：Lint 规则 + 类型系统 + CI 自动化 = 工程师个人产出 × 效率
现在：同样的自动化 × 你的 Agent 大军 = 整个团队的产能 × 无限

很多人以为有了强模型（比如 GPT-5、Claude 4），就让 Agent 每次遇到问题“聪明地修一下”就好。但真正高杠杆的做法，完全相反——

别让 Agent 一次次踩坑，直接写一条规则让这类问题永远不发生。

🔄 核心误区：你还停留在“修 bug”思维

🛠️ 过去：最高杠杆是“放大个人输出”

回忆一下，那些你崇拜的“10x 工程师”是怎么工作的？

• 花时间写 Vim/Emacs 自动化脚本
• 编写 Lint 规则自动检测重复代码
• 搭建一整套端到端测试套件，告别手动冒烟测试

这些工作的杠杆率极高 —— 它乘以了单个工程师的产出。一次投资，永远受益。

🤖 现在：Agent 时代，杠杆被放大了 N 倍

你今天可能已经习惯让 Agent 去修 bug、写代码。但 Boris 点出一个残酷现实：

你的 Agent 大军里，每一个 Agent 都会被同样的自动化加速。

换句话说，你写一条 Lint 规则，不只是你自己受益 —— 你所有的 Agent 都会自动遵循这条规则。
如果 Agent 每次遇到问题都“聪明的修掉”，你会浪费大量 token，而且可能漏掉某个角落的问题。

真正的做法是：把“实例级修复”升级为“系统级自动化”。
让那些低水平重复问题 永远不要出现。

这像不像那句老话：“挖井”和“每天打水”的区别？ 对，就是那个梗：

授人以鱼不如授人以渔，但授人以渔不如直接建一个自动化鱼塘。

—— 这和“用魔法打败魔法”异曲同工，但这里用“建鱼塘”更接地气。

🧠 真正被低估的东西：知识外化

以前新人入职，要花几个月啃老员工脑子里的“隐性知识”：

• 这个项目为什么用这个框架？
• 这个模块的错误处理为什么这么写？
• 那个部署流程为什么不能改？

现在，如果这些知识已经外化成 Agent 可读的格式，比如：

• CLAUDE.md 配置
• 代码风格指南
• 架构文档 + 规则文件

那么 工程师第一天就能贡献代码，连设计师、产品经理都能有效参与代码库贡献。

反过来，如果知识还藏在老员工脑子里，Agent 只会产出一堆不符合架构的废代码。
团队就会陷入“改来改去还是乱”的死循环。

🔧 实操步骤：如何把环境变成“Agent 友好操作系统”？

别慌，这不是要你重新发明轮子。你可以分四步走：

第一步：写一份「Agent 入职手册」

• 在项目根目录创建 CLAUDE.md 或 REVIEW.md
• 内容包括：项目结构、命名规范、错误处理惯例、CI/CD 流程
• 可以补充一些“常见陷阱”示例：比如“不要用某些被废弃的API”

登录后可查看完整内容，参与讨论！