阶段1:需求分析与技术选型
2026-04-19 11:00:58作者:董斯意
阶段1:需求分析与技术选型
- [ ] 确定核心功能清单(内容管理/评论/搜索)
- [ ] 评估技术栈选项(静态生成vs动态渲染)
- 状态: 进行中
- 截止: 2023-10-20
阶段2:架构设计与项目初始化
- [ ] 创建项目目录结构
- [ ] 配置构建工具与依赖管理
- 状态: 待开始
每个阶段应包含具体可验证的交付物,避免模糊的描述如"完成准备工作"。
### 知识管理的2-2-2法则
在信息获取过程中,遵循"2-2-2法则"可显著提升知识管理质量:
- **每2次信息浏览**后更新findings.md
- **每个技术决策**需包含2个支持理由
- **每2小时**回顾一次关键发现
以下是一个规范的发现记录示例:
```markdown
## 技术决策记录
- **决策:** 采用Next.js而非Gatsby
- **理由1:** 团队已有React经验,学习曲线更平缓
- **理由2:** 项目需要SSR能力以优化SEO表现
- **替代方案:** Gatsby(静态生成性能更优但灵活性不足)
- **日期:** 2023-10-18
自动化验证的实现方法
项目提供的检查脚本实现了任务完成度的自动化验证:
#!/bin/bash
# scripts/check-complete.sh
# 设计思路:通过检查关键文件状态确保任务完整性
# 验证所有阶段是否完成
if grep -q "状态:进行中" task_plan.md; then
echo "⚠️ 错误:存在未完成的阶段"
exit 1
fi
# 检查 findings.md 最近更新时间
if [ $(find findings.md -mmin +60) ]; then
echo "⚠️ 警告:超过1小时未更新发现记录"
fi
echo "✅ 任务验证通过"
exit 0
反常识实践:提升效率的关键技巧
1. 先记录后思考的逆向工作法
大多数人习惯"先思考再记录",而高效实践者会采用"先记录后思考"的方式:在开始分析前,先创建结构化的空文档框架。这种方法强迫大脑进行系统性思考,研究显示可减少40%的认知偏差(哈佛商业评论,2023)。
2. 失败模式的主动记录
不要只记录成功结果,刻意记录失败尝试同样重要。建立"失败模式库"可使重复错误率降低76%:
## 失败模式记录
- **操作:** 使用npm安装特定版本依赖
- **错误:** 版本冲突导致构建失败
- **解决方案:** 清除node_modules后重新安装
- **预防措施:** 在package.json中锁定依赖版本
3. 计划文件的定期"编译"
如同代码需要编译检查,每周对规划文件进行"认知编译":运行检查脚本、验证阶段完成度、清理过时信息。这种定期维护可使文件系统保持"编译通过"状态,避免信息腐烂。
决策指南:文件规划策略选择
面对不同任务类型,应灵活调整文件规划策略:
是否为多步骤任务?
├─ 是 → 完整三文件架构
│ ├─ 技术任务 → 增加technical_notes.md
│ └─ 研究任务 → 增加references.md
└─ 否
├─ 单文件编辑 → 仅使用progress.md
└─ 信息查询 → 临时记录到findings.md
实施工具与资源
初始化脚本使用指南
项目提供的初始化脚本可快速创建标准文件结构:
# 克隆项目仓库
git clone https://gitcode.com/gh_mirrors/pl/planning-with-files
# 运行初始化脚本
cd planning-with-files
./scripts/init-session.sh
# 脚本会自动创建以下文件:
# - task_plan.md (任务规划)
# - findings.md (发现记录)
# - progress.md (进度跟踪)
模板文件结构解析
task_plan.md模板核心结构:
# 任务规划:[任务名称]
- **开始日期:** [YYYY-MM-DD]
- **预期结束:** [YYYY-MM-DD]
- **负责人:** [姓名/ID]
- **目标描述:** [具体可衡量的任务目标]
## 阶段规划
[按三到七个阶段组织任务]
## 资源需求
- **工具:** [所需工具列表]
- **参考资料:** [关键文档链接]
## 风险评估
- [潜在风险1]:[缓解措施]
- [潜在风险2]:[缓解措施]
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
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++
948
889
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
304
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