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
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0144- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
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
MiniCPM-V-4.6这是 MiniCPM-V 系列有史以来效率与性能平衡最佳的模型。它以仅 1.3B 的参数规模,实现了性能与效率的双重突破,在全球同尺寸模型中登顶,全面超越了阿里 Qwen3.5-0.8B 与谷歌 Gemma4-E2B-it。Jinja00
Intern-S2-PreviewIntern-S2-Preview,这是一款高效的350亿参数科学多模态基础模型。除了常规的参数与数据规模扩展外,Intern-S2-Preview探索了任务扩展:通过提升科学任务的难度、多样性与覆盖范围,进一步释放模型能力。Python00
skillhubopenJiuwen 生态的 Skill 托管与分发开源方案,支持自建与可选 ClawHub 兼容。Python0109
热门内容推荐
最新内容推荐
项目优选
收起
暂无描述
Dockerfile
730
4.71 K
Ascend Extension for PyTorch
Python
604
774
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
432
386
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++
994
996
昇腾LLM分布式训练框架
Python
163
196
暂无简介
Dart
982
248
Claude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed.
Get Started
Rust
1.08 K
144
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
145
232
🎉 (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
1.67 K
976
deepin linux kernel
C
29
16