不再死磕“手写代码”，我把公司前端开发变成了 AI 编排工程

与其担心被 AI 替代，不如直接承认自己变懒了。现在我接需求，除非是调几个像素的 CSS，否则几乎不再手动敲代码。哪怕是一个 2 分钟能改完的小 Bug，我也倾向于花 2 分钟给 AI 描述清楚需求，然后等着它出结果，我只负责 Review。

这种状态在公司内部其实挺有争议，有人觉得这样会丧失基本功，但实测结果是：我的交付速度快得惊人，且代码质量极高。

为了防止这种“懒政”导致项目崩盘，我花了很多精力在构建一套 AI 工作流，核心逻辑是：不再写代码，而是工程化地构建一个“能写代码的环境”。

目前我的这套实操方案是：

• 双模型对冲： 95% 的开发交给 Claude，但 Review 环节必须交给 GPT。因为两者的“性格”不同，GPT 像个死磕细节的极客，能抓出 Claude 漏掉的逻辑漏洞。我把它们放在同一个上下文里互怼，最后我才介入。
• 文档权重 > 代码权重： 为了防止 AI 产生幻觉或给出敷衍的答案，我建立了极其详尽的 MD 文档库（架构说明、组件配方、Cheat Sheet）。每次开启新 Session，必须先喂入相关文档，让 AI 在明确的上下文里执行。
• 建立“沉默失败”目录： 记录了 36 个能通过编译但渲染会出错的坑，包含原因、症状和修复方案。AI 只要触发相关场景，就必须对照这个清单自检。
• 定义“抛光”标准： AI 习惯于通过增加装饰来理解“优化”，所以我写死了一条规则：Polish = Subtraction（优化即删减），并列举了所有被我毙掉的冗余模式。
• 引入 WebMCP 运行时验证： 用 Agent 驱动 Chrome 浏览器，在三个不同视口下实际点击、监控控制台并截图，确保功能真实可用。

这种工作流最大的痛点是丧失了那种“死磕数小时终于搞定”的成就感。现在的感觉是：无论多难的功能，反正 AI 能搞定，心态变得很佛系。

这就是我目前的 AI Agent 实战状态：通过极高成本的文档维护，换取极低成本的代码实现。