用 AI 寫代碼這件事，大多數人停在「把 AI 當一個更快的手」：想到什麼讓它寫什麼，寫完就算。我用了幾個月之後發現，真正決定產出質量的不是 AI 寫得多快，而是兩件 AI 自己解決不了的事——優先級誰來定，以及今天踩的坑明天還記不記得。

於是我把整套工作流拆成了兩層：

• 底層是一個 git 倉庫，我把它當成「工作操作系統」——業務判斷、可複用工具、給 AI 的行為指令，全部同倉沉澱；
• 上層是一天之內的執行閉環——收集需求、AI 執行、commit 自動生成日報。

底層管「判斷怎麼不跑偏、經驗怎麼沉澱」，上層管「一天之內怎麼把活幹完」。下面分別講。

一、底層：用一個 git 倉庫當「工作操作系統」

核心定位

一個 git 倉庫 = 業務知識庫 + 可複用工具 + AI 行為指令，三者同倉。

它不是代碼倉庫。裏面裝的是「決策素材 + 作戰結論 + 兵工廠」。讀者只有兩類：我自己（做決策）和 AI agent（繼續分析、幹活、收口）。正因為讀者裏有 AI，所以它的組織方式不能像普通筆記那樣隨手記——必須讓一個剛進來、沒有任何記憶的 agent，讀完就能接着幹。

1. AGENT.md：給 AI 定角色，而不是每次重新調教

倉庫根部放一份 AI 行為指令，任何 agent 進來先讀它。關鍵不是寫「你是一個助手」，而是把角色和禁區寫死：

• 角色 = 戰略參謀，不是文案工。職責按優先級排：守住主要矛盾 → 實事求是 → 對齊後落地 → 收口而非發散。
• 禁止項寫死：不許迎合我的錯誤判斷（命中老毛病要直接點破、並引對應的教訓編號）；不許用人月估工時（一律按 AI 編碼速度估）；不許開第二戰場（非主線先存檔）；敏感數據不進對外產物。
• 每份文檔結尾必須能回答：「這改變了哪個決策？下一個動作是什麼？」——回答不了，就是白寫。

寫死禁止項的意義在於：AI 默認是迎合的，你不主動給它「反對你」的授權，它就會順着你犯錯。

2. 四區目錄法：每個文件回答一個固定問題

知識庫最容易爛的地方是「什麼都往一個文件夾丟」。我用四個分區，每個分區只回答一個問題：

分區	回答的問題	放什麼
main/	現在做什麼	行動總綱 + 主線收口，保持精簡
main/現場/<地點>/	一線發生了什麼	按現場分目錄的走查記錄、作戰清單、會議紀要
tools/	有什麼可反覆用	訪談腳本、調查提綱、SOP、彙報模板——不綁日期、跨場景複用
any/	為什麼這樣判斷	階段性的產品/競品/戰略審計 + 已降級、不重倉的研究

新建文件前先自問歸位判據：是某天的一線記錄 → 現場；是能反覆拿來用的傢伙什 → tools；是收口結論 → main；是論據或存檔 → any。

關鍵效果：行動層永遠精簡（main 只放「現在幹什麼」），論據可追溯（any 留着「為什麼這麼判斷」），工具越攢越多（tools 是複利）。

3. 三份基石文檔（人和 AI 共用的「內核」）

• domain.md 統一詞表：定義唯一標尺（例如「成功 = 拿下 N 個真付費客户」），任何動作上桌前先過一關「它直接推動這個標尺嗎」；明確區分主要矛盾 / 矛盾的主要方面 / 次要矛盾；寫清自己的角色邊界（哪些事我能拍板，哪些只能遞情報）。術語統一，不許同義詞漂移。
• lessons.md 教訓庫：編號 L1、L2……增量更新，不刪歷史。AI 在討論中主動對照，命中即點破並引編號。教訓不是日記，每條都是「已驗證的判斷」——比如「免費鋪量不產生付費（多地實證）」「用寫代碼逃避真正該做的事，是通病」「先驗判斷必須被一線數據核實，被推翻就改、並留修訂理由」。
• conventions.md 寫作約定：文件命名帶日期；文檔開頭用引用塊寫元信息；改結論必須留 v1→v2 修訂理由表，不許悄悄改；未核實的數字一律標 [未核實]，不得在結論裏當事實用。

lessons.md 是這套系統裏最值錢的一份——它讓「同一個坑不踩第二次」從一句口號變成機制：因為 AI 每次討論都對照它，我自己想重蹈覆轍都會被攔下。

4. 工具層：重複動作全部 skill 化 / 腳本化

任何做過兩次的動作，我都把它沉澱成腳本或 skill：

• 任務真相源同步：任務真相在團隊的在線表格裏，我寫了拉取腳本 + skill，一鍵拉最新、過濾出活躍任務——永遠不憑過期的本地快照排優先級。
• 現場工作流表格化：把一條真實的操作鏈整理成「步驟 / 入口 / 動作 / 風險分級 / 已知問題」表格，再從風險分級反推測試靶心——哪一步是機器在做、人是唯一防線，哪一步就最該補測試。
• 訪談 SOP：開場話術、問題挖掘提問法——把一線動作沉澱成可複製的腳本，不留在腦子裏。

5. 安全分層

公開博客可以講方法，但倉庫裏有真實業務判斷和客户信息，所以分層：

• 敍事文檔（戰略、判斷、客户相關的 md）用 git-crypt 加密入庫，密鑰不進任何明文位置；曾經有明文的歷史直接重寫清除。
• 運營數據、客户原始數據 gitignore，本地 only，要發出去隻手動發產物文件。
• 秘密只進 .env（權限 600），引用只寫指針不寫值。

二、上層：日常 AI Coding 工作流

底層是慢變量，上層是每天都跑的快循環。

📥 輸入：任務收集

一個共享文檔，記錄所有需求和 Bug，團隊所有人都能提交。每天開工前，工作助手自動整理出今日優先級清單。

⚡ 執行：AI Coding

按優先級順序，逐條用 AI 輔助編碼完成。專注解決，不被隨機插進來的需求打斷。

📤 輸出：日報 & 覆盤

下班前一鍵讀取當天的 commit，自動生成：

• 日報：今天做了什麼
• 點評：代碼質量 & 改進建議

🔄 核心理念

人定優先級，AI 做執行，commit 生成文檔。 把精力花在決策上，把重複勞動交給工具。

三、兩層怎麼咬合：一天的完整閉環

共享任務表（真相源）
   │ 同步腳本拉取 + 過濾活躍項        ← 底層工具層
   ▼
今日優先級清單（按唯一標尺排序）       ← domain.md 的尺
   │ 逐條 AI Coding，不被打斷
   ▼
commit
   │ 一鍵生成
   ▼
日報 + 代碼點評
   │ 覆盤產出物分流沉澱：
   ├─ 踩坑 / 已驗證判斷 → lessons.md（編號，增量）
   └─ 可複用動作 → tools/ + skill

• 上層工作流是一天的循環：收集 → 優先級 → 執行 → 日報。
• 底層倉庫是跨天的複利：標尺不漂移（domain）、坑不踩第二次（lessons）、重複動作越來越自動（tools/skills）、AI 第二天開局即繼承全部上下文（AGENT.md）。

合成一句話：人定優先級，AI 做執行，commit 生成文檔，倉庫沉澱判斷。

這套東西的真正價值不在「讓 AI 寫得更快」——那是所有人都有的。它在於：當執行變得幾乎免費，判斷和沉澱就成了唯一的護城河。我把精力從「寫」搬到「定優先級 + 不重複犯錯」上，而這兩件事，恰好是 AI 替我做不了、卻又能被我用一個 git 倉庫牢牢攥住的。