Phase 1: 需求分析
2026-04-19 10:33:29作者:江焘钦
Phase 1: 需求分析
- [ ] 收集用户操作场景
- [ ] 定义核心功能清单
- 状态: 进行中
Phase 2: 架构设计
- [ ] 选择技术栈
- [ ] 设计命令结构
- 状态: 待开始
**关键执行原则**:
1. **2次浏览规则**:每进行2次信息查询/搜索操作,必须更新findings.md
2. **即时记录决策**:技术选型和架构调整必须记录决策依据
3. **错误零容忍**:任何错误无论大小,立即记录在progress.md的错误日志中
> 📊 思考:如果跳过阶段划分直接开始编码,可能会导致什么问题?(答案:需求遗漏、架构缺陷、返工成本增加)
### 2.3 校准阶段:保持任务航向
长时间工作后,智能体容易偏离目标——校准阶段就是定期"回到航图"的过程。关键动作包括:
**每日校准三步骤**:
1. 重读task_plan.md确认当前阶段和目标
2. 检查findings.md确保新知识已记录
3. 更新progress.md的5-Question Reboot Check:
- Where am I?(当前阶段)
- Where am I going?(剩余阶段)
- What's the goal?(核心目标)
- What have I learned?(关键发现)
- What have I done?(已完成工作)
**自动化校准工具**:
```bash
# 运行状态检查脚本
./scripts/check-continue.sh
2.4 复盘阶段:构建知识闭环
任务完成不代表结束,复盘阶段将经验转化为可复用的知识:
复盘四要素:
- 成果验证:运行完成检查脚本
./scripts/check-complete.sh - 过程分析:识别哪个阶段耗时最长,原因是什么
- 错误归类:统计错误类型,制定预防措施
- 模板优化:根据本次经验改进task_plan.md等模板
实战案例:
在完成一个数据分析任务后,团队发现"数据清洗"阶段耗时远超预期。通过复盘,他们在模板中新增了"数据质量评估"子阶段,并开发了自动化清洗脚本,使后续项目效率提升40%。
自检清单
- [ ] 所有阶段均标记为"已完成"
- [ ] 错误日志完整记录并分类
- [ ] 决策记录包含所有关键技术选择
- [ ] 生成了本次任务的经验总结
三、反直觉实践:提升效率的关键技巧
3.1 先慢后快:前期规划的投入产出比
大多数人倾向于立即动手,但数据显示:每多花1小时规划,可节省4-6小时执行时间。特别是在AI任务中,前期明确目标可大幅减少无效工具调用。
实施方法:
- 强制预留任务总时长的20%用于规划
- 使用"如果...那么..."格式记录可能的分支情况
- 在task_plan.md中设置明确的阶段退出条件
3.2 冗余记录:过度文档化的价值
"这步太简单了,不用记下来"——这是导致后期困惑的主要原因。AI智能体尤其需要详细记录,因为其"记忆"无法像人类一样自然关联。
关键记录点:
- 为什么选择A方案而非B方案
- 尝试过但失败的方法及原因
- 外部资源的关键结论(而非链接)
- 临时决策和假设
3.3 频繁同步:2次操作规则的科学依据
研究表明,AI在连续处理超过2个外部信息源后,信息保留率下降60%。2次操作规则(每2次浏览/搜索后更新文档)正是基于这一发现设计的知识固化机制。
实施技巧:
- 在浏览器/搜索工具旁放置findings.md编辑窗口
- 使用"发现-结论-行动"三段式记录新信息
- 对重要数据使用表格形式增强可读性
自检清单
- [ ] 规划时间占任务总时长的20%以上
- [ ] 每个技术决策都有"为什么"记录
- [ ] 外部信息都转化为自己的语言记录
- [ ] 严格遵守2次操作规则
四、规划模板速查
4.1 研究型任务模板
task_plan.md重点章节:
## Goal
[一句话描述研究目标和预期成果]
## Phases
### Phase 1: 问题定义
- [ ] 明确研究问题边界
- [ ] 确定关键指标
- **Status:** pending
### Phase 2: 数据收集
- [ ] 设计数据采集方案
- [ ] 执行数据收集
- [ ] 记录数据来源和局限性
- **Status:** pending
findings.md特殊部分:
## Research Findings
- 关键数据点1: [数值] ([来源])
- 关键数据点2: [数值] ([来源])
- 数据趋势分析: [结论]
## Visual Findings
- 图表1结论: [关键发现]
- 图表2结论: [关键发现]
4.2 开发型任务模板
task_plan.md重点章节:
## Key Questions
1. 技术栈选择: [框架/语言] vs [框架/语言]
2. 架构模式: [选择理由]
3. 交付标准: [可量化指标]
## Decisions Made
| Decision | Rationale |
|----------|-----------|
| 前端框架选择React | 团队熟悉度高,生态完善 |
| 使用PostgreSQL数据库 | 支持复杂查询,适合项目规模 |
progress.md测试记录:
## Test Results
| Test | Input | Expected | Actual | Status |
|------|-------|----------|--------|--------|
| 用户注册 | 有效邮箱+密码 | 注册成功+邮件发送 | 符合预期 | ✓ |
| 用户登录 | 正确凭据 | 返回token | 符合预期 | ✓ |
4.3 创作型任务模板
task_plan.md阶段设计:
## Phases
### Phase 1: 内容规划
- [ ] 确定目标受众
- [ ] 制定内容大纲
- [ ] 收集参考素材
- **Status:** in_progress
### Phase 2: 初稿创作
- [ ] 完成核心章节
- [ ] 保持风格一致性
- [ ] 控制章节长度
- **Status:** pending
findings.md灵感记录:
## Creative Elements
- 标题方案: [3-5个备选标题]
- 开篇钩子: [2-3个引入方式]
- 案例来源: [具体参考资料]
## Feedback Integration
| Feedback | Implementation |
|----------|----------------|
| 增加案例 | 在第3章添加2个实际案例 |
| 简化语言 | 替换专业术语,增加解释 |
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust019
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00
热门内容推荐
最新内容推荐
Python可观测性工具实战:Logfire效能提升指南RPCS3模拟器终极优化指南:突破PS3游戏性能极限的实战方案Nali跨平台部署全攻略:从环境适配到性能调优为什么需要统一游戏库管理?Playnite开源工具的全方位解决方案如何通过Idify实现本地证件照制作:安全高效的浏览器端解决方案路由器多容器管理实战:用Docker Compose打造智能家居中枢Zettlr:一站式学术写作解决方案效率指南零基础精通GPT-SoVITS:开源语音合成与AI声音克隆实战指南颠覆直播互动体验:Bongo-Cat-Mver如何让你的键盘操作变成视觉盛宴如何用开源工具轻松制作游戏模组?Crowbar让创作不再有门槛
项目优选
收起
暂无描述
Dockerfile
677
4.32 K
deepin linux kernel
C
28
16
Ascend Extension for PyTorch
Python
518
630
Oohos_react_native
React Native鸿蒙化仓库
C++
335
381
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.57 K
910
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
947
888
暂无简介
Dart
923
228
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
399
303
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
634
217
openGauss kernel ~ openGauss is an open source relational database management system
C++
183
260