“AI辅助开发的关键在于建立约束系统。”这是一位开发者在实践笔记中给出的判断。他使用vivo内部的AI编码助手BlueCode，在两天内完成了一个两万行Vue项目的重构，全程零手写代码，结果直接挑战了“AI编码仅适合片段补全”的惯性认知。

将这一结果拆解，核心落在三点：Skills、AGENTS.md以及飞轮效应（Flywheel Effect）。Skills负责明确任务边界，告诉AI“做什么范围的事”；AGENTS.md作为项目级规则文件，为AI铺垫了足够的上下文与编码规范；飞轮效应则是通过“生成-检查-反馈”的循环，让模型输出越来越贴合项目状态。三者共同形成了一个约束体系，使得大模型在面对大型工程时不再发散。

打开网易新闻 查看精彩图片

但约束体系的另一面是前置成本。如果脱离这套工程化约定，让AI直接处理两万行存量代码的全局修改，理解偏差和不可控的修改很容易出现——这恰恰是许多开发者抱怨“AI不够好用”的根源。于是，一场辩论浮现：为了让AI胜任复杂任务而耗费精力搭建规则，总体效率是提升还是抵消？

该实践给出的判断是：任务复杂度越高、代码规模越大，投入约束的收益越明显。它不是在否认简单场景中的即时辅助价值，而是为AI编码能力画了一条分水岭——让工具真正释放的，并不只是模型本身的能力，更是使用者为它搭建的协作框架。