周三下午，我又删掉了一个聊了47轮的Copilot对话窗口。
不是模型不行，是我用错了方式。过去几周，我在一个多应用的React monorepo里死磕，终于摸清了一件事：让AI真正提效的关键，不是提示词写得多漂亮，而是把工作流拆成"专人专岗"。
这套方法让我用同样的token预算，每月处理的工单翻了一倍。以下是实战细节。
最大陷阱：一个窗口干所有活
我见过最常见的反模式——在同一个对话里debug、写功能、重构、问架构，全搅在一起。
在大型代码库里，这会毁掉上下文。AI开始 hallucinate，抓不住真正的问题。解法很简单：拆分出不同目的的会话，哪怕它们用的都是同一个Copilot Enterprise。
而且，这更省钱。
把所有事情塞进一个超大对话，上下文窗口会爆炸。每次提问都拖着整段历史——失败的假设、走偏的尝试、三个不同问题的代码片段。你在为噪音付费。
分开聊的好处：
• 调查和规划会话短而聚焦，拿到根因分析就关掉，这些token不会跟到实现环节
• 实现阶段只带相关上下文，没有debug时那五个错误理论的包袱
• 避免"螺旋"效应——单窗口工作流常变成20+轮纠偏，token花了20倍，输出反而更差
• 用Skills和Hooks固化团队规则，不用每条消息都重复
我的三个"虚拟员工"
我跑三个心智上完全独立的agent，各聊各的：
1. 调查Agent（用得最多）
目的：动手修之前先搞懂上下文和逻辑。
这条规矩很死——初始阶段禁止写代码。它的唯一任务是追踪、分析、给我讲清楚发生了什么。
示例提示词框架：
"你是调试助手。不要建议修复方案。先追踪[某函数/某状态]的调用链，解释数据流向，标出可能的问题点。"
等它把地图画完，我关窗口，开下一个。
2. 实现Agent
带着调查Agent的结论进来，上下文干净。只谈怎么写、写什么，不回头翻旧账。
3. 重构/架构Agent
专门处理跨文件改动、提取公共逻辑、调整目录结构。不和前两个抢活儿。
为什么这套能跑通
生产级前端和Todo Demo的区别在于：状态流是乱的，共享包互相依赖，"这个逻辑到底在哪"曾经要花几小时找。
AI不是不能处理这些，是你得给它清晰的边界。一个会话一个目标，就像你不会让同一个实习生同时debug、写需求文档、重构底层库。
把Copilot当成三个不同专长的实习生来管，它才能真的帮上忙。
热门跟贴