为什么 90% 的 AI 开发项目都死在了“提示词工程”的幻觉里？

写在前面：这篇文章不聊怎么写 Prompt，聊聊怎么把 Prompt 扔掉。

作为一个在 C++/Java 屎山里摸爬滚打了十多年的架构师和开发者，现在已经沦落到为AI打工。但是AI编程用得越多，就越能发现AI编程的局限和问题，哪怕是用最新的编程模型，也是同样的。这时我就在思考一个问题：如果 LLM 的上下文已经到了 128K 甚至 1M，为什么我们依然很难让它写出一个工业级的、能跑通的大型工程？根据这一年的经验，我正在编写一套自己的AI 辅助开发系统，同时让生成效率提升了一个数量级。

今天不谈魔法，谈谈工程的“断舍离”。

一、 “1M 上下文”不是救命稻草，而是工程的陷阱

目前的 AI 开发圈普遍存在一种幻幻觉：代码跑不通？加个提示词。上下文不够？换个支持百万级上下文的 Claude 4.6 或者 Gemini 3.1 Pro。

但我说句实在话：上下文窗口越大，信息的熵增就越恐怖。

这种“大力出奇迹”的做法，直接导致了严重的 AI 幻觉问题。当你把一个 10 万行的工程源码一股脑塞进 Prompt，试图让 AI “悟道”时，你实际上是在诱导它走神。即便是目前最顶尖的 Claude 4.6，在面对几千个文件的交叉依赖时，也会表现出如同彻夜熬夜后的“脑雾”。它会信誓旦旦地脑补出一些根本不存在的私有接口，或者在改写 CMake 时漏掉那个决定生死的核心宏定义。

结果就是：你花了昂贵的 Token 费，换来了一个“差一点就能编过”的代码片段。剩下的 1% 报错，可能要让你在手工 Review 的泥潭（Review Loop）里折腾整整一下午。这种“看起来快了、实际上慢了”带来的挫败感，简直让人抓狂。

二、 拒绝“盲目摸象”：为什么 AI 代理不该从零开始

目前市面上主流的 AI 编程 Agent 工具——无论是ClaudeCode、还是字节跳动新出的 Trae（背后是 Kimi 和 GLM 强力支撑），甚至是程序员几乎人手一个的 Cursor，大多推崇一种“自主探索”模式。AI 拿到需求，开启一个沙盒，自己去查文件、跑测试。

听起来很酷，但在工业级生产场景里，这种“自发探索”的本质就是一种低效率的穷举试错。

如果你让 AI 每次都从零开始“探索”和“重编”代码，你会踩进几个无解的坑：

1. 被扼杀的老师傅手艺：很多开发者有常年积累下来的成熟模块、私有组件，那是用无数个通宵修 Bug 换来的“传家宝”。如果直接放弃，那是对自己核心技术资产的巨大浪费，你可以筛选，可以优化，但不应该直接放弃。
2. 血缘破坏：一旦 AI 开始“自主发挥”，模块之间精妙的依赖平衡就被打破了，后续升级就是维护地狱。AI会陷入到解决问题A，引发问题B的怪圈，在不断的修改中，彻底破坏架构。
3. AI幻觉：刚开始的时候，AI可以非常让你满意的实现初始功能，可是当代码量逐渐增大的时候，逻辑开始变得复杂，AI的判断会被干扰，从而出现幻觉，生成错误代码，更要命的是因为疏漏了某个相关链路的逻辑，生成代码里埋下了隐藏Bug，你需要花费大量时间指导AI去发现和解决这个bug。
4. Token 烧钱：AI 在沙盒里死循环试错一晚上，第二天你看到的可能只有一张 200 美元的账单和一个依然达不到你的目标的项目，这种“学费”交得人心疼。

我们要的不是一个会背咒语、喜欢瞎搞的魔法师，而是一个能高效调拨已有精锐部队的“总装工程师”。

三、 核心沉思：当前AI编程的高效模式，应该是强约束下的编程，再加“模块装配”，而非完全交给AI实现“低效的逐行编码”

很多人觉得 AI 开发就是让 AI “多写点代码”，这大错特错。所谓的“提示词工程”其实是架构能力缺失后的补丁。如果你需要用 2000 个字去描述一个功能，说明你的系统架构已经臃肿到 AI 都看不懂了。真正的效率突破，在于将庞大的代码库进行“结构化剥离”。

我们需要让 AI 站在巨人的肩膀上——即那些已经通过了压力测试、已经在生产环境跑了三年的标准组件。你不需要教 AI 怎么从头写一个具有硬件解压能力的播放器，你只需要告诉它：“去资产库里把那个成熟的视频引擎模块拎出来，然后写几行胶水代码把业务接口接上”。

四、 架构救赎：如何以“抠门”的姿态管控海量上下文？

为了彻底终结上下文爆炸带来的幻觉风险，我设计了一套三级渐进式上下文（Three-Tier Context）架构。这套架构的核心逻辑很暴力：严禁 AI 在第一秒就看到源码。

• Tier 1：轻量级资产指纹 (Index Layer)
  我们将百万行资产库压榨为极其精简的“资产索引”。里面只有模块的身份标识和核心能力画像。规划器（Planner）在决策阶段只看这个。

  • 实战约束：系统强制将上下文水位卡在 2.2万字符 阈值内，一旦超标直接关禁闭。这种“信息饥渴”反而能逼出 AI 极其清爽的判断力。
    

• Tier 2：模块集成契约 (Contract Layer)
  只有模块确认进入“装配决赛圈”时，系统才会定向投喂该模块的《全量接入说明书》。这就像延迟加载，只在动手术的前一刻，才把患者的精确报告递给主刀医生。

• Tier 3：源码逻辑隔离 (Isolation Layer)
  繁杂的底层源码文件被物理隔离在非暴露区。它们对主流程推理引擎是不可见的，哪怕 AI 想看也没门，彻底斩断了代码细节对宏观逻辑的干扰。

五、我的想法和做法

基于上面的构思，我正在开发一个程序，把上面的构思落实到地，目前名字叫 AIComStudio。它不是另一个AI对话框，而是一个利用AI的智能的代码总装工厂。

在 AIComStudio 的执行阶段，我们执行两条“铁血律条”：

1. 处方与手术分离：AI (Executor) 只负责“开处方”（即计算那些新产生的接口适配代码），而真正的物理文件改写由系统内高度稳定的解析内核负责。核心收益： 规避了 AI 因为细节幻觉导致的手抖，让每一行代码改动都处于“可审计、可撤回”的工程管控下。
2. 零物理拷贝原则：严禁为了复用而将代码物理搬运。我们强迫 AI 必须通过项目配置（如 add_subdirectory）引入已有资产。核心收益： 彻底终结了“代码分叉”的噩梦，确保你的核心资产是活的——一旦库升级，所有装配项目都能瞬间同步，无需手动搬砖。

为什么要分得这么死？
因为这能给你提供最核心的资产——可预测性和一键撤回能力。当你不再让 AI 试图去“读懂源码”并“改出花来”，而是让它在规则范围内“拼插积木”时，你会发现代码生成的灵异故障减少了 80%，这种通透感，才是真正的“AI 开发体验”。

作者简介： 10年+码农，曾任某互联网大厂技术专家。常年专注于原生应用和高性能服务器开发、视频传输和处理技术以及AI编程工具和AI赋能应用。

合作请加WX：hbstream
（http://haibindev.cnblogs.com），转载请注明作者和出处