用 AI 写代码这件事，大多数人停在「把 AI 当一个更快的手」：想到什么让它写什么，写完就算。我用了几个月之后发现，真正决定产出质量的不是 AI 写得多快，而是两件 AI 自己解决不了的事——优先级谁来定，以及今天踩的坑明天还记不记得。

于是我把整套工作流拆成了两层：

• 底层是一个 git 仓库，我把它当成「工作操作系统」——业务判断、可复用工具、给 AI 的行为指令，全部同仓沉淀；
• 上层是一天之内的执行闭环——收集需求、AI 执行、commit 自动生成日报。

底层管「判断怎么不跑偏、经验怎么沉淀」，上层管「一天之内怎么把活干完」。下面分别讲。

一、底层：用一个 git 仓库当「工作操作系统」

核心定位

一个 git 仓库 = 业务知识库 + 可复用工具 + AI 行为指令，三者同仓。

它不是代码仓库。里面装的是「决策素材 + 作战结论 + 兵工厂」。读者只有两类：我自己（做决策）和 AI agent（继续分析、干活、收口）。正因为读者里有 AI，所以它的组织方式不能像普通笔记那样随手记——必须让一个刚进来、没有任何记忆的 agent，读完就能接着干。

1. AGENT.md：给 AI 定角色，而不是每次重新调教

仓库根部放一份 AI 行为指令，任何 agent 进来先读它。关键不是写「你是一个助手」，而是把角色和禁区写死：

• 角色 = 战略参谋，不是文案工。职责按优先级排：守住主要矛盾 → 实事求是 → 对齐后落地 → 收口而非发散。
• 禁止项写死：不许迎合我的错误判断（命中老毛病要直接点破、并引对应的教训编号）；不许用人月估工时（一律按 AI 编码速度估）；不许开第二战场（非主线先存档）；敏感数据不进对外产物。
• 每份文档结尾必须能回答：「这改变了哪个决策？下一个动作是什么？」——回答不了，就是白写。

写死禁止项的意义在于：AI 默认是迎合的，你不主动给它「反对你」的授权，它就会顺着你犯错。

2. 四区目录法：每个文件回答一个固定问题

知识库最容易烂的地方是「什么都往一个文件夹丢」。我用四个分区，每个分区只回答一个问题：

分区	回答的问题	放什么
main/	现在做什么	行动总纲 + 主线收口，保持精简
main/现场/<地点>/	一线发生了什么	按现场分目录的走查记录、作战清单、会议纪要
tools/	有什么可反复用	访谈脚本、调查提纲、SOP、汇报模板——不绑日期、跨场景复用
any/	为什么这样判断	阶段性的产品/竞品/战略审计 + 已降级、不重仓的研究

新建文件前先自问归位判据：是某天的一线记录 → 现场；是能反复拿来用的家伙什 → tools；是收口结论 → main；是论据或存档 → any。

关键效果：行动层永远精简（main 只放「现在干什么」），论据可追溯（any 留着「为什么这么判断」），工具越攒越多（tools 是复利）。

3. 三份基石文档（人和 AI 共用的「内核」）

• domain.md 统一词表：定义唯一标尺（例如「成功 = 拿下 N 个真付费客户」），任何动作上桌前先过一关「它直接推动这个标尺吗」；明确区分主要矛盾 / 矛盾的主要方面 / 次要矛盾；写清自己的角色边界（哪些事我能拍板，哪些只能递情报）。术语统一，不许同义词漂移。
• lessons.md 教训库：编号 L1、L2……增量更新，不删历史。AI 在讨论中主动对照，命中即点破并引编号。教训不是日记，每条都是「已验证的判断」——比如「免费铺量不产生付费（多地实证）」「用写代码逃避真正该做的事，是通病」「先验判断必须被一线数据核实，被推翻就改、并留修订理由」。
• conventions.md 写作约定：文件命名带日期；文档开头用引用块写元信息；改结论必须留 v1→v2 修订理由表，不许悄悄改；未核实的数字一律标 [未核实]，不得在结论里当事实用。

lessons.md 是这套系统里最值钱的一份——它让「同一个坑不踩第二次」从一句口号变成机制：因为 AI 每次讨论都对照它，我自己想重蹈覆辙都会被拦下。

4. 工具层：重复动作全部 skill 化 / 脚本化

任何做过两次的动作，我都把它沉淀成脚本或 skill：

• 任务真相源同步：任务真相在团队的在线表格里，我写了拉取脚本 + skill，一键拉最新、过滤出活跃任务——永远不凭过期的本地快照排优先级。
• 现场工作流表格化：把一条真实的操作链整理成「步骤 / 入口 / 动作 / 风险分级 / 已知问题」表格，再从风险分级反推测试靶心——哪一步是机器在做、人是唯一防线，哪一步就最该补测试。
• 访谈 SOP：开场话术、问题挖掘提问法——把一线动作沉淀成可复制的脚本，不留在脑子里。

5. 安全分层

公开博客可以讲方法，但仓库里有真实业务判断和客户信息，所以分层：

• 叙事文档（战略、判断、客户相关的 md）用 git-crypt 加密入库，密钥不进任何明文位置；曾经有明文的历史直接重写清除。
• 运营数据、客户原始数据 gitignore，本地 only，要发出去只手动发产物文件。
• 秘密只进 .env（权限 600），引用只写指针不写值。

二、上层：日常 AI Coding 工作流

底层是慢变量，上层是每天都跑的快循环。

📥 输入：任务收集

一个共享文档，记录所有需求和 Bug，团队所有人都能提交。每天开工前，工作助手自动整理出今日优先级清单。

⚡ 执行：AI Coding

按优先级顺序，逐条用 AI 辅助编码完成。专注解决，不被随机插进来的需求打断。

📤 输出：日报 & 复盘

下班前一键读取当天的 commit，自动生成：

• 日报：今天做了什么
• 点评：代码质量 & 改进建议

🔄 核心理念

人定优先级，AI 做执行，commit 生成文档。 把精力花在决策上，把重复劳动交给工具。

三、两层怎么咬合：一天的完整闭环

共享任务表（真相源）
   │ 同步脚本拉取 + 过滤活跃项        ← 底层工具层
   ▼
今日优先级清单（按唯一标尺排序）       ← domain.md 的尺
   │ 逐条 AI Coding，不被打断
   ▼
commit
   │ 一键生成
   ▼
日报 + 代码点评
   │ 复盘产出物分流沉淀：
   ├─ 踩坑 / 已验证判断 → lessons.md（编号，增量）
   └─ 可复用动作 → tools/ + skill

• 上层工作流是一天的循环：收集 → 优先级 → 执行 → 日报。
• 底层仓库是跨天的复利：标尺不漂移（domain）、坑不踩第二次（lessons）、重复动作越来越自动（tools/skills）、AI 第二天开局即继承全部上下文（AGENT.md）。

合成一句话：人定优先级，AI 做执行，commit 生成文档，仓库沉淀判断。

这套东西的真正价值不在「让 AI 写得更快」——那是所有人都有的。它在于：当执行变得几乎免费，判断和沉淀就成了唯一的护城河。我把精力从「写」搬到「定优先级 + 不重复犯错」上，而这两件事，恰好是 AI 替我做不了、却又能被我用一个 git 仓库牢牢攥住的。