我是如何让 AI 在我们拥有 3 年历史的金融科技代码库中停止“幻觉”的
AI 编程工具在真实的生产项目中往往会失效。它们在处理新代码时表现良好，但在面对带有历史背景的老旧代码库时就会溃不成军。
在我们的金融科技项目中，我通过惨痛的教训学到了这一点。我们有两个 React 前端、一个管理面板和一个 FastAPI 后端。我们的数据库非常复杂，存储着敏感的财务和用户数据。
我们曾尝试利用 AI 来提高开发速度，但结果立刻就失败了。
我让 AI 创建一个联系人表（contacts table），它竟然为姓名和电子邮件创建了新列。而这些列在我们的用户表（users table）中早已存在。AI 选择了重复数据，而不是使用外键。它完全不知道我们用户表的存在。
我不再纠结于如何让 AI 写出更好的代码，而是开始思考：为了做出正确的决策，AI 需要了解哪些信息？
AI 的表现完全取决于你提供给它的上下文（context）。我们将上下文变得明确且具有权威性。以下是我们构建的系统：
• ADR 文件：我们创建了一个 docs/adrs/ 文件夹。这些文件记录了我们做出架构决策的原因。其中一个文件 (ADR-001) 会告诉 AI：“先检查现有表。使用外键。绝不要重复用户数据。”
• context.md：该文件解释了我们的特定术语。它告诉 AI 在我们的系统中，不同的概念是如何相互关联的。
• plot.md：这是一个高层级的地图。它展示了项目中各个不同部分是如何连接的。
• 严格规则：我们告诉 AI，docs 目录是最终的权威。它必须按顺序遵守这些规则。
• 强制测试：每一个新的 API 路由都必须包含测试用例。
这个系统让 AI 的行为变得可预测。
有一次，AI 修改了一个共享函数，导致应用的另外八个部分崩溃。但因为我们有测试，AI 发现了这些失败。它通过创建一个能够同时处理新旧需求的新版本函数，自行修复了错误。如果没有测试，这个 Bug 就会直接进入生产环境。
不要因为 AI 不了解你的代码库而责怪它。把它当作一名新员工对待。你不会因为一名新员工不了解你的规章制度而责怪他，你会为他提供文档和入职培训。
我们的结构如下：
docs/
- context.md (术语与关联)
- plot.md (高层级地图)
- adr/ (特定规则，如建表或 API 结构)
给您工作流的三个建议：
- 在 ADR 中保持具体。使用明确的指令，而不是模糊的建议。
- 让文档具有权威性。告诉 AI 这些规则具有最高优先级。
- 将错误转化为规则。每当 AI 出错时，就创建一个新的 ADR 来防止再次发生。
这并不能让 AI 变得完美，但它能让 AI 变得稳定。
Optional learning community: https://t.me/GyaanSetuAi