Vibe Coding 流程数据化，规则自我进化，让 AI 从错误中自动学习

Vibe Coding 流程数据化规则自我进化让 AI 从错误中自动学习开源工具 AIDA给 AI 辅助开发加一个数据采集层让 AI 从错误中自动学习Glama 3A 认证一、痛点AI 写代码很快但总在同一个地方犯错现在用 AI 写代码已经很普遍了 —— Claude Code、Cursor、Copilot效率确实高。但用过的人都知道一个问题AI 没有项目级记忆。你今天告诉它我们项目的 Table 组件外面要包一层 min-height 容器明天它又忘了。你纠正了三次 API 调用方式第四次它还是用错。根本原因是每次对话都是独立的AI 不知道上次在你的项目里犯了什么错。AIDA就是为了解决这个问题而生的 —— 它在 AI 开发过程中自动采集结构化数据把 AI 的偏差模式沉淀成项目规则让 AI 越用越准。项目已通过 Glama.ai 平台的安全、许可和质量三重 A 级认证MIT 开源。二、30 秒接入在项目根目录的.mcp.json加一行{mcpServers:{aida:{command:npx,args:[-y,ai-dev-analytics,mcp]}}}支持 Claude Code、Cursor、VS Code Copilot、Windsurf。加完配置后不需要任何其他操作你照常用 AI 写代码就行。npm 下载慢可以先全局安装npm install -g ai-dev-analytics然后 command 改成aida。三、架构与原理你的 AI 工具 (Claude Code / Cursor) ↓ MCP 协议 (stdio) AIDA MCP Server (10 个工具) ↓ 自动采集 .aidevos/run.json (结构化数据) ↓ 数据看板 (localhost:2375) 规则库 (.aidevos/rules/) ↓ AI 下次读取规则 → 输出质量提升关键设计MCP 协议通信AIDA 不是让 AI 执行 shell 命令而是通过 MCPModel Context Protocol提供原生工具AI 直接函数调用响应更快、更可靠零运行时依赖整个项目不依赖任何第三方包纯 Node.js TypeScript100% 本地所有数据存在项目目录的.aidevos/下普通 JSON 文件没有任何外部 HTTP 请求10 个 MCP 工具工具名功能触发时机aida_task_start记录任务开始AI 开始编码时aida_task_done记录任务完成AI 完成编码时aida_log_bug记录 Bug发现缺陷时aida_bug_fix记录 Bug 修复修复完成时aida_log_review记录代码自检自检完成时aida_log_deviation记录偏差AI 输出不符合预期时aida_log_files记录文件变更自动扫描 git diffaida_highlight记录亮点有值得记录的优化时aida_status查看当前状态随时aida_log_rule沉淀项目规则用户确认后所有工具都是 AI 自动调用的开发者不需要手动操作。四、核心机制偏差 → 规则 → 反哺这是 AIDA 的核心价值用一个真实项目的数据说明第 1 轮开发47 个任务产生 23 个偏差。先看根因分布 —— AI 为什么出错是 AI 幻觉使用了不存在的 API / 组件还是规则缺失项目有规范但 AI 不知道。再看类别分布 —— AI 在哪出错从中提取了 6 条项目规则写入.aidevos/rules/。第 2 轮开发同类偏差 →零复现。AI 读了规则相同模式的错误被消除。看偏差与规则趋势 —— 绿色线是规则数量随着规则积累偏差持续下降这就是数据驱动的复利效应。规则沉淀流程1. AI 编码 → 产出不符合预期 2. 记录偏差 → aida_log_deviation自动分析根因 3. 根因为 rule-missing → AI 建议沉淀规则 4. 开发者确认 → aida_log_rule 写入规则库 5. 规则库通过 fingerprint 自动去重 6. 下次 AI 读取规则 → 同类错误不再复现沉淀的规则举例“el-dialog 内 Table 必须有 min-height 容器”“API 请求必须走 src/api/ 统一封装层”“日期组件必须传 format‘YYYY-MM-DD’”这些都是项目级技术规范不涉及业务逻辑适合沉淀为持久规则。五、数据看板npx ai-dev-analytics dashboard打开http://localhost:2375看到所有采集的数据在线 Demo真实脱敏数据https://lwtlong.github.io/ai-dev-analytics/看板包含模块内容偏差根因分布饼图幻觉 / 规则缺失 / 上下文不足 / 理解偏差偏差类别分布饼图布局 / 组件 / API / 样式偏差 规则趋势折线图偏差和规则的变化趋势Bug 严重度分布各等级 Bug 统计自检通过率折线图代码审查质量趋势任务完成进度各阶段任务状态文件修改热点哪些文件被反复修改规则溯源表每条规则关联到产生它的偏差完整时间线所有事件按时间排列技术栈React 19 ECharts Tailwind CSS 4支持中英文切换SSE 实时推送。六、三种使用模式AIDA 设计上是可以按需组合的不是非得全套使用模式一纯数据采集最轻量只加 MCP 配置正常 coding。AIDA 静默采集想看数据时开看板。零学习成本适合个人开发者先试试水。模式二数据采集 规则沉淀在模式一基础上当 AI 犯错时主动记录偏差确认后沉淀规则。逐步建立项目专属的 AI 知识库。模式三完整 SOP 流程aida init# 选择 Full workflowaida start# 创建开发运行获得 14 个 AI Skills编排为标准开发流程PRD 接入 → 需求分析 → 任务拆分 → 代码生成 → 自检审查 → Bug 修复 → 偏差记录 → 规则沉淀适合团队标准化 AI 开发流程每个环节有对应的 Skill 执行中断后可从断点恢复。七、绩效汇报数据比感觉有说服力所有数据都是结构化 JSON可以直接拿来做汇报汇报场景AIDA 能提供的数据H1/H2 绩效完成 XX 个任务、修复 XX 个 Bug、首次自检通过率 XX%、沉淀 XX 条规则、产出 XXXX 行代码Sprint 回顾本轮偏差集中在哪个类别、新增了几条规则、质量指标变化团队报告各开发者任务量/偏差率/规则贡献对比项目交接完整开发历史 规则库新人接手直接受益aida report# 生成汇总数据以前写绩效靠回忆现在一条命令导出全部数据。八、数据模型.aidevos/ ├── runs/ │ └── {分支名}/ │ ├── requirement.json # 分支聚合统计 │ └── {开发者}/ │ └── run.json # 核心数据文件 ├── rules/ │ ├── rules.json # 规则注册表 (source of truth) │ ├── component.md # 按分类自动生成的视图 │ └── api.md ├── index.json # 项目级索引 └── aida-guide.md # AI 行为引导run.json包含tasks、bugs、deviations、reviews、files、timeline、rules、highlights、metrics、cost 等完整维度。九、项目信息GitHubhttps://github.com/LWTlong/ai-dev-analyticsnpmhttps://www.npmjs.com/package/ai-dev-analytics在线 Demohttps://lwtlong.github.io/ai-dev-analytics/Glamahttps://glama.ai/mcp/servers/LWTlong/ai-dev-analytics认证Glama.ai 安全 A / 许可 A / 质量 A协议MIT技术栈Node.js TypeScript / React 19 ECharts / MCP over stdio测试82 个用例29 个测试套件全部通过依赖零运行时依赖总结AIDA 解决的核心问题AI 辅助开发缺乏可观测性。你不知道 AI 在你的项目里表现怎么样、哪里容易出错、怎么才能让它变好。AIDA 把这些全量数据化采集 → 可视化 → 沉淀规则 → 反哺 AI → 循环改进。不是替代你的工作流而是在你现有工作流上加一层数据采集。一行配置接入想用多少用多少。如果你也在用 AI 写代码不妨试试。有问题欢迎交流。没有数据的 Vibe Coding 只是在 Vibe。有了数据你的 AI 每次运行都在进化。如果觉得有用欢迎 star 支持一下。有问题直接提 Issue会认真回复。