AI是开发忠实的合作伙伴：知识渊博（训练内化各类通用知识）、有一定的逻辑推理能力、效率惊人，但同时确定性不太好（概率本质，幻觉）。我们大多数需求追求的是确定性的交付结果，所以要采用一些合适方法，让AI扬长避短，在提效同时，保证结果稳定。实践下来，PDCA是个高效方法：戴明的 PDCA（也称“戴明环”）是持续改进的闭环方法。定义：PDCA = Plan（计划）- Do（执行）- Check（检查）- Act（处理/标准化），循环往复实现持续改进。目的：以数据驱动、低风险的小规模试验验证改进行动，沉淀为标准，再进入下一轮升级。需求交付中，把目标拆到尽可能小的确定的独立任务，明确达成路径，再基于每个小任务和 AI 结对编程，如此循环，将AI的黑魔法变成稳定可靠的生产力。 Plan是单次循环中最重要的一步，类似CoT，但由人主导规划，AI辅助，以保证达成目标路径的确定性。在每个循环中，通过D-C循环来确保符合预期。 Act是长期改善的关键：从本次需求视角看，可以对不符合预期的结果调整指令、计划、上下文。从全局视角看，可以识别和沉淀规则，分析模式抽象组件（例如：由专用Agent承载），持续改善开发环境。典型案例：快速验证 Plan：拆 MVP 聚焦核心产品假设，拆解MVP，再基于MVP进一步拆解任务。 Check：收集反馈小任务粒度，自己体验是否能跑通，体验是否顺畅。 MVP粒度，找产品经理或典型客户体验，收集反馈结果。 Act：产品迭代基于反馈调整方案或者产品方向，并沉淀可复用的能力，为下轮迭代做准备。提示词工程本质是好好说话，可以通过套模板的结构化表达组织，随着大模型推理能力的快速进化，提示词的技巧性会被逐渐抹平，最终还是会回归到上下文背景+目标的核心诉求。 AI深入应用，逐步带来业务开发的范式演进，对人的要求也会变化。从经验驱动到知识工程，业务开发，逐渐演进为人 + Agent矩阵的协同生产。开发人员应当持续投入建设知识工程，在日常研发过程中逐步构建场景化 AI Agent，并持续提升稳定性，大步迈向 100x 大 AI 时代。延展阅读：与Cursor结对编程，掌握这个方法效率起飞！