任务实施方法论

⏱️ 10分钟

任务实施方法论

为什么需要方法论？

当你和 AI 协作完成复杂任务时，方法论能够：

确保不遗漏关键步骤
提高代码质量
减少返工
让结果可预测

Process

1. Think Through Strategy

开始编码前，先理解清楚：

Understand the complete requirement
Identify key components needed
Consider dependencies and constraints
Plan the implementation approach

2. Evaluate Approaches

列出可能的方案并比较：

List possible implementation strategies
Compare pros and cons of each
Consider:
- Performance implications
- Maintainability
- Scalability
- Code reusability
- Testing complexity

3. Consider Tradeoffs

每个决定都有权衡：

Short-term vs long-term benefits
Complexity vs simplicity
Performance vs readability
Flexibility vs focused solution
Time to implement vs perfect solution

4. Implementation Steps

执行时遵循这个顺序：

Break down into subtasks
Start with core functionality
Implement incrementally
Test each component
Integrate components
Add error handling
Optimize if needed
Document decisions

5. Best Practices

Write tests first (TDD approach)
Keep functions small and focused
Use meaningful names
Comment complex logic
Handle edge cases
Consider future maintenance

Checklist

在任务完成前，检查：

与 AI 协作的实践

告诉 AI 你的方法论

我需要实现用户认证功能。请按照以下步骤：

1. 先分析需求，列出关键组件
2. 评估 JWT vs Session 两种方案
3. 选择方案后，分步实施
4. 每个步骤完成后先测试
5. 最后整合并添加错误处理

让 AI 生成任务清单

请分析这个功能需求，生成一个实施清单，
包括子任务、依赖关系和测试要点。

增量实施

先实现核心功能：用户登录。
不要考虑密码重置、OAuth 等功能，
这些我们后面再添加。

示例：实现搜索功能

1. 理解需求

需要实现：
- 关键词搜索
- 支持分页
- 结果高亮
- 搜索建议

2. 分析方案

方案 A: 数据库 LIKE 查询
  + 简单
  - 性能差
  - 无法高亮

方案 B: Elasticsearch
  + 性能好
  + 功能完整
  - 额外依赖

3. 分步实施

Step 1: 实现基础搜索 API
Step 2: 添加分页支持
Step 3: 集成 Elasticsearch
Step 4: 实现高亮功能
Step 5: 添加搜索建议

任务模板

## Task: [任务名称]

### 1. Requirements

-   [ ] [需求 1]
-   [ ] [需求 2]

### 2. Approach

选择方案：[方案名]
原因：[理由]

### 3. Subtasks

-   [ ] [子任务 1]
-   [ ] [子任务 2]
-   [ ] [子任务 3]

### 4. Testing

-   [ ] Unit tests
-   [ ] Integration tests
-   [ ] Edge cases

### 5. Documentation

-   [ ] Code comments
-   [ ] API docs
-   [ ] README update

总结

方法论不是限制创造力，而是确保质量。当你和 AI 协作时，清晰的方法论能让 AI 更好地理解你的期望，产出更高质量的代码。

📚 相关资源

❓ 常见问题

关于本章主题最常被搜索的问题，点击展开答案

为什么不直接让 AI 写代码，要先讲方法论？

因为 AI 不会替你做 trade-off。你不讲清楚"性能 vs 可读性""短期 vs 长期"怎么选，AI 默认走最常规方案，遇到约束就翻车。本章 5 步法（Strategy → Approach → Tradeoffs → Implementation → Best Practices）的核心是 — 把判断动作显式化，AI 才能精准对齐。

Step 4 的 8 个实施步骤可以跳吗？

顺序不能跳。本章列的 8 步：拆子任务 → 核心功能 → 增量实现 → 单组件测试 → 集成 → 错误处理 → 优化 → 文档。常见踩坑是先优化（步骤 7）再写错误处理（步骤 6），结果一边 refactor 一边漏 case。错误处理放在测试通过后、优化前，性价比最高。

搜索功能那个例子里，方案 A 和 B 怎么选？

本章给的对比：方案 A（DB LIKE 查询）—— 简单但性能差、无法高亮；方案 B（Elasticsearch）—— 性能好功能全但加额外依赖。决策依据是数据量级 + 团队能力：1 万条以下走 A，10 万条以上走 B；团队没人维护过 ES 就先 A 后迁 B，别一开始就上重型方案。

TDD 真的能跟 AI 配合好吗？

能，而且收益比手写更大。流程：你写测试 → AI 写实现让测试过 → 你 review。AI 单独写代码容易跑偏，但有 test 当 acceptance criteria 后，输出就被锁死在"通过这些 case"上。本章 Best Practices 第 1 条就是 Write tests first，配合 Vibe Coding 节奏 ROI 最高。

Checklist 里 8 个勾选项，最容易漏掉哪一个？

Edge cases handled — 占第 5 项。本章 Checklist 顺序是 Requirements → Approach → Tests → Code → Edge cases → Docs → Review → Performance。新人常在 Code 写完就提交，跳过 Edge cases；典型遗漏：空数组、null 输入、超大 payload、并发请求。让 AI 主动列"5 个最可能出错的边界"，比自己想全。