反正测试做的太简单了，项目大一些的话，很容易失控。code review 也是不可持续的，大脑review 速度远远跟不上gpu吐token速度

codex现在我设置的是读上下文扔给opus，opus不允许读上下文而是等着codex喂，有输入后根据输入出计划以及设计拆解任务。

执行层面的事情扔回给codex，纯前端委派给gemini3.1p（复杂逻辑还是codex），最后opus再根据codex给的结果出文档。

opus贵到我只能这样用了，还是codex便宜好用，可惜就是慢

我做第一个功能的时候只有个简易文档，没接口设计和美术设计，结果花的时间比我自己从头做还慢。后来改进了一下尽量后置前端工作，尽可能等美术策划完善他们的东西再动手，效率已经比我自己做要快一些了，而且思考比我全面。但我们的工作节奏没办法每次都这样，这是让我最难受的。

第一步（你已经在做）：pytest-cov → 覆盖率报告 → 补测试 第二步（该加的） ：mutmut → 变异测试 → 验证测试质量 第三步（未来的） ：CI 门禁 → 覆盖率+变异存活率双指标卡合并  我问AI让我这么做的到底对不对？

实际上应该要尽力做到AI闭环完成写代码-测试，人只进行初始的方向把控和最终验收。这样尽量减少人的context swtich，并且减少人拖慢AI进度（尽量减少AI等人，提升throughput）。

Generation is cheap 也是非常重要的insight。我之前一直有旧思维—让AI改代码而不是重新生成—这样其实效率非常低下，因为要大量人工介入。目前正在尝试怎么实践这一点。

我现在在用oh-my-opencode插件做任务分发。opus先做plan拆任务、分配独立任务到子agents，总结文档。codex做所有逻辑性的代码，gemini 3p仅做前端界面与css。

codex最大的问题就是总结性文档写起来不像是给人类看的，opus就好很多。

哈基米3pro这模型真的很奇怪，幻觉比另外两个要多很多，前端代码最好也得是那种一次性生成的，上下文稍微长一点它就喝醉了。

在AI Native时代，需求高速迭代的情况下，agent.md该如何高效维护呢，这块有什么想法嘛，如果每一个迭代都需要更新的话我个人感觉反而失去了agent.md本身的意义

一朋友公司他们vibe coding后工作量增加，只能一直应付，现在连codereview都不做了，也是ai做。梳理流程也应付了事。反正有事就说ai写的。

能肉眼可见的bug增加，但是有些数据还是比较好看的，比如你出去说你公司代码80%都是ai写的，就很高端。比如你以前一个月修出10个bug修10，现在出50个BUG修50个，工作效率提升5倍....

目前看来，指导AI干活跟指导他们没什么两样，只不过：

1 不用付多人工资了，只需付订阅Max的月费

2 AI最大的缺点是记不住，得反复唠叨，最大的优点是听话，从来不反驳。

如果不懂的话，最好先跟gemini之类的头脑风暴下，自己写简单demo测试下

有了ai后学习非常快，以前做一个东西要学到80分估计要半年，现在估计两三天就能学到60分，但是你想学到80分也得一两周，越往后ai的提效效果越不明显

so，问题来了

1、大型项目中多人合作开发，特别是开发使用ai的水平不一，如何协调彼此之间的代码风格和进行code review？是都采用同一个大模型和项目维护同一套提示词开发吗？

2、如果有人离职之后，代码交接和需求整理都是由ai负责？那需要一个超大的项目记忆库来记录？

3、既然有了ai，是不是可以定期对项目进行重构，减少屎山代码的出现。

不过最近在用codex分析codex的源码，感觉还是有不小的几率在胡说八道，特别是有些看不懂的代码让codex解释全局的设计思路和思想。不过在我明确知道要怎么做，要去哪里看代码的情况下codex的理解力是非常不错的。

我把任务交给其他人之前会结对plan一遍，他们跟着走一遍，相当于提高高强度开发，提升也快了。以前很多人是没能力去做这些事情的，现在我不用花太多功夫，他们有ai协助，人的成长是更快的。

要相信一点，认真做事情的人，总能在做事中提升。。。