Continuous Improvement with AI

Vibe Coding 真正拉开差距的，不是谁第一次 prompt 写得更花，而是谁能把有效做法沉淀下来，下一次更快复用。很多人用 AI 编程会卡在一个阶段：单次提效很明显，但没有形成稳定 workflow，所以效率始终靠灵感，不靠系统。

更稳的做法是把 AI 使用习惯当成持续改进系统来经营：记录、复盘、迭代、自动化。

---

为什么很多人用 AI 一阵子后效率又掉回去

最常见的原因不是 tool 不够强，而是没有沉淀：

• 好用 prompt 没存下来
• 哪类 task 适合 AI 没总结
• 哪些坑踩过了没记录
• 每次又从头试一遍

这会导致一种典型现象：
你觉得自己“已经会用 AI 了”，但不同项目里依然重复踩同样的坑。

---

持续改进的核心，不是收藏 Prompt，而是复盘 Workflow

你真正该积累的不是 100 条零散 prompt，而是这些东西：

如果只积累 prompt，不积累 context 和 validation 方式，复用价值会很有限。

---

第 1 步：建自己的 Prompt Library，但不要只存正文

一个可复用的 prompt，建议至少带这些字段：

• use case
• repo / file context
• expected output
• validation method
• 常见失败模式

Example

Title: PR review summary
Use case: 提交前快速总结改动和风险
Expected output: summary + risks + test note
Validation: 对照 diff 和 test result
Failure mode: 容易漏掉回滚点

这样你下次复用时，不用重新回忆“当时为什么这个 prompt 有效”。

---

第 2 步：把重复验证动作自动化

如果你每次都手动跑同一组检查，那就很值得自动化。
例如：

• lint
• typecheck
• unit test
• build
• snapshot check

AI 很适合帮你起草这些脚本，但关键不在“脚本写出来”，而在你把验证链路固定下来。

Example workflow

AI 生成 patch
  -> run check script
  -> collect failures
  -> feed errors back to AI
  -> iterate

这比“看一眼代码觉得差不多”稳定得多。

---

第 3 步：记录 Failure，比记录 Success 更值钱

很多团队喜欢沉淀 best practice，但真正能提升效率的，往往是 failure pattern：

• prompt 太大，AI 开始跑偏
• 一次让它改太多文件，引入回归
• 没给 acceptance criteria，结果偏题
• 日志没贴，AI 只能瞎猜 root cause

建议你至少保留一份简单的 AI pitfall log：

---

第 4 步：每周做一次轻量 Review

不用搞成复杂 retrospective。
每周只回答 4 个问题就够了：

1. 哪类 task 这周最适合 AI？
2. 哪类 task 依然不该交给 AI？
3. 哪个 prompt 最值得复用？
4. 哪个失败案例最值得写进 pitfall log？

这类 weekly review 会让你的 AI 使用方式越来越像可维护系统，而不是随机技巧。

---

第 5 步：让 AI 也参与改进 AI Workflow

这是很实用的一招。
你可以直接让 AI 帮你 review 自己的使用方式：

基于这次任务过程，请总结：
- 哪一步最浪费时间
- 哪个 prompt 信息不足
- 哪些验证动作可以自动化
- 下次怎么拆任务会更稳

这样你不是只在优化代码，也在优化自己的 interaction pattern。

---

常见误区

---

Practice

回顾你最近 3 次用 AI 写代码的任务：

1. 选 1 个最值得复用的 prompt
2. 选 1 个最常见的失败模式
3. 写 1 个最小 check script
4. 记录 1 条“下次别再这样做”的规则

做到这一步，AI 才更像你的持续改进引擎，而不是偶尔帮你一把的聊天工具。