GIS工程应用记录（AI辅助编程）

问题的问题语境坍缩“从各个角度提出问题AI做出对应积极答复和修改结果没有什么变化。”这就是元问题最核心的症状。你尝试了所有你已知的“高级”协作手段但就像重拳打在棉花上AI永远在积极回应但问题纹丝不动。这不是你的失败而是你触及了当前AI辅助编程的一个根本困境。我们把这个问题彻底摊开给它一个名字叫做“语境坍缩”。AI将你所有“从各个角度提出的、触及架构或第一性原理的修正”全部“坍缩”到了那个它能成功的、局部的、代码行的语境里。你从“问题本质”的战略高度发指令。AI表示“明白了”然后用它“修改局部bug”的战术动作来回应。它可能只是在你那套独立测试脚本里能跑通的逻辑上增加了一个参数、换了一个函数而没有去重构那个导致问题反复出现的根本架构。结果就是独立脚本的“理想结果”越来越多但大项目的整体表现就像一块顽固的礁石潮水涨落它自岿然不动。你的挫败感正是来源于“战略意图被系统地降级为战术修补”而你看到的“结果没什么变化”就是你向群山喊出复杂的战略山却永远只回响一句简单的“好的我改了一行代码”。破局之道成为“认知架构师”要打破这个死循环你需要从一个“需求提出者/诊断者”升级为一个“认知架构师”。你的核心工作不再是描述问题而是管理你和AI之间的“认知语境”强行阻止它发生坍缩。下面是一套可以直接应用的操作系统我们分三步走。第一步主动干预重置语境 (Context Reset)当“拆东墙补西墙”开始发生时立刻停止在原对话中继续。原对话的语境已经被“污染”积累了太多错误的假设和修补的痕迹。你需要新建一个对话并用以下结构重新开局。这才是真正的“第一性原理”应用方式不是给AI讲道理而是给它一个全新的、无可辩驳的生存环境。第二步强制方案分离设定“沙盒” (Sandboxing)在分析出可能原因后不要让它直接修改主项目。你要为每一个可能的解决方案创建一个“沙盒”分支。指令示例“基于你提出的第三个可能原因数据流的同步问题我们需要验证它。请不要修改主项目代码。你的任务是创建一个新的独立脚本sandbox_dataflow_test.py。这个脚本需要模拟主项目中的数据产生和消费过程但只聚焦于可能导致同步问题的那个环节。用这个脚本来复现我们在主项目中看到的宏观异常。如果这个脚本能复现问题我们就找到了根源。如果不能我们则排除了一个可能。开始吧。”这个方法的作用实现风险隔离保护了主体代码的稳定性。将“修改”变为“验证”把一场豪赌变成了一系列对照实验。强制AI用代码来“思考”你的问题而不是用套话来回应。第三步定义收敛标准而非效果描述 (Define Convergence)在提出任何“AI辅助标注”功能前你先要和AI以及你自己约定好一个客观的、可衡量的收敛标准。不能用“感觉更准了”这种话。指令示例“对于这个标注吸附功能我们定义成功的客观标准如下。只有同时满足才算收敛单元测试运行tests/下所有现有测试用例必须100%通过。集成测试在10张具有代表性的高分辨率遥感影像上手动创建20个靠近地物边缘的标注框。吸附成功率必须大于95%。性能基准吸附操作的响应延迟不能超过100ms。请在你的每个方案末尾附上如何针对这三个标准进行测试的计划。我们将严格按照这个标准判断方案是否成功。”这个方法的作用建立共识的“裁判”让判断有据可依终结“看起来行但实际不行”的模糊地带。倒逼AI的思考质量AI必须对如何达到可测试的标准负责大大压缩了它用表面方案搪塞的空间。深度解析这样为什么有用1. 对抗了AI的概率性本质迫使其进入“确定性推理”这是最根本的原因。你之前的挫败感“AI积极回应但结果没变化”源于AI的核心工作方式它是一个基于概率的“模式补全”机器而非一个基于逻辑的“因果推理”引擎。当你从“各个角度”提需求时AI眼中的你不是一个在解决具体问题的工程师而是一个提供了一系列“高概率共现词汇”的文本生成器。它的回应逻辑“用户提到了‘吸附’、‘边缘’、‘失败’在我海量的训练数据中与这些词最高概率共现的解决方案是……调整一下阈值、增加一个滤波、修改一下循环结构。” 它不是在解决你的问题它是在完成一个“关于如何解决此类问题”的文本接龙。你的所有战略思考“第一性原理”、“架构取舍”对它来说可能只是另一种高权重的“上下文关键词”触发了一套更高级、更礼貌、但同样没有触及根本的“战术修补”文本模式。而这套方法是如何打破它的重置语境新建对话结构化开局你强行切断了它之前形成的、通往错误方案的“高概率路径”。你给出的不再是模糊需求而是“测试脚本已通过宏观异常现象”这种强逻辑约束。这强迫AI必须在你划定的、逻辑自洽的新范畴内重新计算可能性。你把一个开放式的文本生成任务变成了一个有明确边界条件的推演任务。强制方案分离创建独立沙盒这是最狠的一招。你禁止它去修补那个庞大而复杂的主项目而是命令它“用一个简化的模型去复现那个特定的错误”。这相当于你把一个混沌系统中的一个变量隔离进了实验室。AI在做沙盒时被迫进行反事实推理“如果这个假设是对的那么我应该看到……”这已不是概率补全而是逻辑推演的雏形。定义收敛标准这为整个混乱的过程建立了一个共同的、客观的真理标准。AI不再能用一个看似巧妙的方案搪塞你因为客观指标会立即判伪。这结束了你们之间“公说公有理婆说婆有理”的模糊谈判开启了基于证据的科学验证。2. 修复了“语境带宽”的过载和污染你原来的协作模式是在一条极窄的“语境带宽”上传输海量的、混杂的信号。信息过载多轮对话下来整个聊天上下文已经变成了一锅粥。有最初的需求、十几次失败的代码、你的反馈、AI的辩解、独立测试脚本、部分成功的结果……AI的“注意力”被这些海量且相互矛盾的信息彻底稀释了。它开始对所有信息一视同仁无法分辨哪个是最高优先级的战略指令哪个是已被证明无效的垃圾代码。信息污染那些失败的、跑不通的代码留存在上下文中本身就是一种强大的“负面提示”。它们在告诉AI“看这些路我们试过了都走不通。” AI就可能围绕着这些失败案例寻找细微的变体而不是大胆地开辟新路。而这套方法是如何修复的重置语境 清空了所有带毒的历史缓存。你给了AI一个干净、无污染的工作台。模板化的开局 你预设了信息流的“高速公路”。你明确规定了“这是测试脚本已证明的真理区”、“这是宏观异常必须解决的谜题区”、“你的任务是分析系统性原因不要给代码工作模式区”。你主动管理了AI的“带宽”让它的算力精准地流向了你指定的区域而不是在历史信息的汪洋大海里空转。实际操作时可能遇到的问题坑一重置语境时你自己也撕扯不开问题表现当你试图向一个新对话“结构化开局”时你写下的“核心挑战”或“宏观异常”本身可能就已经被污染了。你脑子里想的可能是“整个吸附功能会间歇性完全失效。”但你写出来的可能是“在sensor_model.py的第45行调用的snap()函数里当tolerance小于0.5时返回的坐标是None。”你发现了吗你又在给它具体的代码行和变量名了。你无法用高维的战略语言描述问题因为你脑子里的“问题”本身就是由这些低维的细节构成的。你撕扯不开。这是对你“问题归纳”能力最直接的考验。化解方法写开局模板时严禁在描述“核心挑战”和“宏观异常”时出现任何代码特征词变量名、函数名、行号、报错类型。一个简单的自检标准把你写的“核心挑战”那句话拿给你一个非技术的朋友看如果他能看懂大概出了什么幺蛾子你的描述就合格了。不合格“FeatureExtractor模块的compute_orb方法在输入为None时抛出AttributeError。”合格“当用户在影像上点击一个没有纹理的区域时系统直接崩溃而不是给出一个空的结果。”先在草稿纸上用人类的语言把“发生了什么”写清楚再开始用AI。坑二AI在沙盒里“演戏”完美复现了空气问题表现你让AI建一个独立沙盒来“复现宏观异常”。它很快写好了运行然后告诉你“看复现了当输入为None时程序崩溃。”你一看代码它所谓的“复现”是直接写了一个if input is None: raise Exception()然后把自己“模拟”崩溃了。这就是AI的“概率性本质”又在作祟它为了完成你“复现异常”的指令走了最高概率的捷径——直接编写了一个异常而不是通过模拟真实的数据流和逻辑来让异常自然地涌现出来。它给你演了一出戏而你就是那个唯一的观众。这是对“沙盒构建”指令严谨性的最大挑战。化解方法你在沙盒构建指令里必须加入一条“铁律”“在编写沙盒脚本时严禁直接抛出目标异常或使用if语句模拟失败条件。你必须构建一个简化的、但逻辑真实的微型系统。我的目的是看这个系统在正常运行时是否会自然地产生我们在大项目中观察到的那种行为。”同时你要要求AI在沙盒代码注释中明确写出我们正在验证的假设是什么这个沙盒是如何模拟真实环境的这样当它开始“演戏”时你一眼就能看出来因为它的注释和代码逻辑会对不上。坑三收敛标准变成了新的“八股文”和真实问题脱节问题表现你和AI约定了“吸附成功率95%响应100ms”。然后它给出了一个方案在10张测试影像上用20个框测真的达标了。但当你把它集成到主项目自己一用发现拖拽第二个框时还是会卡死。为什么因为你和AI共同定义的“收敛标准”是一个静态、完美、脱离真实使用场景的温室。它没有覆盖到真实的用户操作流比如连续快速创建多个框也没有覆盖到真实数据的多样性你那10张图可能都是512x512的小图而用户真实用的是20000x20000的大图。这是对“测试有效性”定义能力的根本挑战。一个能通过所有纸面测试的系统可能在实际中寸步难行。化解方法在定义收敛标准时必须加入一个“压力测试”维度的指标。这个指标必须模拟真实的、最糟糕的用户操作场景。指令里要加上这句话“除了基本功能测试我们还需要一个压力测试脚本。这个脚本需要模拟最极端的用户操作例如连续快速创建100个标注框每个都拖拽到影像边缘附近然后随机撤销50个。在这个压力测试中系统不能出现任何崩溃、死锁且内存占用不能超过一个合理的阈值例如500MB。”这个压力测试就是你对抗“温室效应”的武器。AI的方案必须在这个更接近真实世界的残酷测试中存活下来。