能用 10 行 Bash 解决的，别折腾 AI

通用聊天机器人的问题

ChatGPT 、Claude 这些工具确实厉害，但你有没有觉得它们不懂你？

不知道你在忙什么项目，不记得你上次聊了什么，更不清楚你想往哪个方向走。干活还行，但没法跟你一起进步。每次开聊都跟陌生人似的。

说白了，通用 AI 和"个人" AI ，差得远了。

一个像样的个人 AI 不该只是更聪明的聊天框。

它应该是一套完整的系统知道你喜欢什么，记得你做过什么，为你最常干的事配好专业技能。不是给所有人用的万金油，而是专门帮你变强的放大器。

第一组：认知优先 思考比工具更重要

原则 1：想清楚 + prompt > 一切

这是所有原则的地基。

重点是：想清楚问题。 也是 《代码贬值了吗？ AI 时代，开发者的护城河》 中提到的领域模型

很多人掉进了"提示词工程"的坑，想用各种技巧、模板、魔法咒语榨取 AI 的能力。但说到底，AI 输出好不好，取决于你想得清不清楚：业务流程/概念/约束/规则等是否清晰。

AI 是你思想的放大器，不是替代品。问 AI 之前，先问自己：**"我到底想解决什么？"**

原则 4：代码优先于 prompt

务实的一条，却常被忽视。

能用脚本搞定的，就别折腾 AI 。只在需要认知、推理、创造力的地方用 AI 。

现在到处都是"万物皆可 AI"，这条原则反而难得。

给任务选最合适的工具。一个 10 行的 Bash 脚本可能比复杂的 AI 调用更快、更稳、更便宜。

别为了用 AI 而用 AI 。

第二组：工程纪律 像造软件一样造 AI 系统

原则 2：脚手架 > 模型

14 条里最反常识的一条。

大家都在追最新最强的模型。但实践表明：你搭的脚手架/系统架构，比用哪个模型更重要。

一个设计精良的系统，能通过工作流、工具链和上下文管理，让弱一点的模型也发挥出惊人性能。反过来，烂系统会完全浪费掉顶级模型的能力。

每个程序员应该都有切身感受：没做好模块化的系统，到最后就是一堆烂摊子，牵一发动全身。

原则 3 & 6：确定性 + UNIX 哲学

原则 3：AI 本身是概率性的，所以需要围绕它的基础设施来 降低不确定性。比如用模板和一致的模式，以及前面用代码的确定性来压低 AI 的不确定性。

原则 6 把经典的 UNIX 哲学搬到 AI 时代：

• 做好一件事
• 让工具可组合
• 用文本界面

两条原则指向同一个目标：用工程化的方式压住 AI 的不确定性。

原则 8：命令行优先

图形界面主导的今天，为啥还推崇"过时"的命令行？

因为：快、能脚本化、稳。

要的就是效率、自动化和可组合性。想深度定制工作流、跑自动化的人，CLI 的控制力和灵活性是任何图形界面都比不了的。

它让你能把 AI 能力无缝编进现有的脚本和工具链。UNIX 那套思路，到 AI 时代还是管用。

完整 14 条： 能用 10 行 Bash 解决的，别折腾 AI