夜雨聆风
技巧一、多阶段逐步演进开发
适用场景：开发大型复杂功能或系统初始化时。
具体做法：不一次性向 AI 下达整个功能或应用的指令，而是将大任务拆分为子里程碑。第一步让 AI 整理出数据库模型、ERD 关系和 API 接口定义等设计方案说明；待人工确认方案无误后再让其实现具体核心逻辑、Token 认证和页面交互。
注意事项：对复杂模块要建立明确的架构和边界，切忌直接发送过于宽泛、无设计约束的需求。
技巧二、项目根目录配置全局规则约束（MDC 与 Rules）
适用场景：在多人协作或大型项目开发中，防止不同开发人员使用 AI 生成出风格各异、质量参差、难以维护的屎山代码。
具体做法：在项目根目录中建立 .cursorrules 文件（针对 Cursor）或 .claude/CLAUDE.md 文件（针对 Claude Code），明确定义技术栈规范、代码命名和结构规范。结合最新的 .mdc 文件进行选择性上下文规则配置，让大模型在修改特定目录下的代码时自动遵循该类目的开发限制。
注意事项：可以直接从 awesome-cursorrules 或 cursor.directory 等开源库中挑选并定制对应模版，省去从头造轮子的时间。
技巧三、Web 网页端换场跳出逻辑死循环
适用场景：当在 IDE（如 Cursor 或 Claude Code）中编程遇到死磕无法解决的错误，或者 AI 陷入连续修复又连续报错的逻辑死循环时。
具体做法：不应该继续在 IDE 内联工具中死磕，而是直接复制当前的错误日志、相关文件的完整代码，换到大语言模型（如 ChatGPT 或 Claude）的网页官方版。通常网页端能够提供更长更完整的上下文、更强的推理计算界面，从而产出更具创造性的突破性解决方案。
注意事项：网页版往往具有不同的系统提示词 and 更大容量，适合在 AI 陷入死循环时换个战场重新思考。
技巧四、阶段性 Git 提交控制代码污染与技术债
适用场景：使用 AI 高频、小幅、快速修改大量文件代码，需要预防修改彻底崩溃无法回退，或产生大量冗余垃圾代码。
具体做法：将 Git 版本控制作为 Vibe Coding 的核心生命线。每当 AI 成功完成一个子任务并验证可以通过时，立即进行本地提交（Commit）。在与 AI 来回拉扯多轮最终解决复杂 Bug 后，先搞清楚终极解决方案的精髓，把代码回滚（Rollback）到本轮拉扯的起点，再清爽地将解决方案单次、规范地应用并提交，以此避免无效修改堆积。
注意事项：在 Vibe Coding 模式中，千万不要等到一天结束才提交代码，高频、原子的版本控制是保障开发安全性的唯一解。
技巧五、并行多 AI 工具协作提升时间利用率
适用场景：需要快速交付多模块、多任务，或者在需要针对同一需求生成不同实现方案来进行对比 and 评审时。
具体做法：在同一个项目上同时启动多种 AI 编程工具，各司其职。比如在 Claude Code 执行中大型跨文件重构或通过 CLI 命令测试的同时，使用 Cursor 或是 Trae 针对已经生成的模块进行小修小补或代码 Code Review，甚至针对同一个难以攻克的复杂功能让不同工具分别实现，对比选择最佳版本。
注意事项：各工具由于基座模型 and 上下文打包逻辑不同，可采用中轻度任务用 Cursor 快速 Tab 补全，大型重构、自动化脚本及运维集成用 Claude Code 终端助手的高效组合。
技巧六、优先让 AI 编写端到端高层级集成测试
适用场景：保障 AI 在修改全局代码或个别模块时，不破坏其他无关位置的业务逻辑，降低系统由于大模型缺乏资安意识而留下的技术隐患。
具体做法：直接让 AI 去编写模拟真实用户在页面上的完整业务流（如从注册登录、浏览商品、加购并最终下单支付）的高层级集成测试（如使用 Playwright 或 Cypress 框架），而不应该仅仅依赖细微、局部的单元测试。
注意事项：由于 AI 经常会产生跨模块的副作用，端到端高层级集成测试因为不关心内部函数的具体细节，只关心整体功能的最终表现，能极大程度帮开发人员提早捕捉由于 AI 盲目修改引入的致命破坏。
技巧七、对话限制与历史会话定期重置
适用场景：随着对话字数增多导致 AI 响应变慢、Token 急剧膨胀消耗大量费用，或者大模型因为早前已经废弃的历史上下文产生幻觉 and 思路冲突时。
具体做法：不要长期在同一个 Chat 会话中进行无限次微调。一旦某个功能或阶段性功能开发完毕、代码更新并提交完毕，应当立刻关闭当前对话，开启一个全新、干净的 Chat 聊天会话，并通过 @file 显式引用的方式重新提供精简的核心上下文文件。
注意事项：控制 Token 经济学，频繁更换新会话能有效提升大模型的推理精准度，并显著节省 API 费用。
技巧八、为 AI 打造精简精准的上下文环境
适用场景：在复杂的、涉及多个文件的全栈项目中，避免 AI 因为大模型上下文长度限制无法理解项目全局代码而胡乱编造 and 猜测。
具体做法：在向 AI 发起任务指令前，先和 AI 讨论并规划好，通过 @file 或 @folder 把直接相关的文件传递给 AI。充分配置好项目的规则文件，并在 .cursorignore 中排除掉无需让 AI 检索的 node_modules、dist 或构建缓存等大型文件夹。
注意事项：合理配置 RAG 向量检索忽略规则，保持大模型检索上下文库的干净、敏捷与精简。