1. 建立项目

这方面其实是完全遵循传统的git开发思想和monorepo开发规范的。

具体加上ai后，我会在空余的盘首先创建命名一个项目文件夹。

并创建docs文件夹和prompts文件夹。

• docs文件夹：放置uml、架构设计、文档规则、唯一真相源等等。

• prompts文件夹：工程阶段控制以及目标控制。每个阶段（以日期为例）装载相关的所有文件，包括素材、约束文件、要求等等

这个步骤我觉得真挺重要的，特别是对于我这样的新手进步来说。项目重构是常有的事，项目上云做迁移，或者拿去做协同也是必须要经历的。将每个文件夹约束好，建立规则和系统意识，能够减轻绝大部分的沟通成本。

这应该是每个现代学科的必备素养。但就耐不住很多身边人电脑一团乱麻。

2. 自己的上下文控制

我会专门有一个统一的文件，处理我所有项目每一个环节阶段的prompt，无论重要与否。

我看到的大家多数都是处理ai的记忆问题，但对于自己的记忆问题可能不是很在意..？

用了大概有两年，各个项目自己会有，总的也有，作用在于：

1. 用上那些我收藏在角落吸灰的prompts


2. 对各个项目的进度把控有更加准确的体会，不会头晕


3. 不用打开特定对话一直摁上方向键找prompts


4. 可以不断迭代规范


5. 锻炼个人的系统思考能力


6. 及时保存项目快照，确认开发不跑偏

我是赞成ai赋能人的根本立场的。在与AI互动过程中，对人的能力提升是我特别关注的一方面。

个人的感受就是对于生活为人处世方面的条理化得到加强，安排合规化能力也得到了加强。

交流上客户也反映我比以前更会说话了，也是得益于这一点吧。

3. 需求描述

这是原帖大家最想知道的部分。

要能获得一个好的需求描述，首先要提出一个好的需求。

这部分是一个从0到1的过程，因此我认为ai是取代不了什么的，必须全部交给人来进行思考确定。AI只能做现有方案的整合和优化，优化的方向也是基于现有的方案，真正的创新点是人脑对于经验的移用，一个领域知识到另一个领域知识的个人体会和独到见解。

而一个好的需求，我认为应该包括：

• 名称


• 形态


• 边界


• 功能


• 适用人群


• 目标


• 性能


• 安全

起码的吧。

而有了需求之后，就可以交给AI进行更加细节的需求深化。

以我正在开发的律所一体化管理软件为例，我的提示词部分是：

在从事开发工作时，上述提出的是大纲。现在，我需要让这些改动得到实现，同时可以基于你的想象力以及能力边界进行拓展，保证每个功能的开发实现都是绝对完善完美的，甚至可以附加一些内容进行开发。



我希望你要做的，是基于上述我提出的要求，通过和我进行列表式的对话，首先为我总结出200-500项详尽的问题表，让我逐个回答，确认该产品作为大型项目中枢的核心以及整体形态是如何的。



从开发的角度以及产品描述的角度出发，对这个项目各方面进行完善。



特别注意，再次重复，这些问题一定要足够地细致，足够的深度思考，提供足够多的内容供其参照，而非列出一些似是而非的内容。当然，要留有空间让其自由冗余开发，新增更多有趣实用的，围绕着更好赋能律师行业的功能.



需要注意：



1. 除了上述提到的问题，我希望你可以发散思维仔细思考，参照市面上各类设计优秀的编辑器，例如Alpha、小包公、智合AI以及律所ERP系统等各个平台的优秀最佳实践，进行请补充添加到问题表中。

2. **最大化激活并深入你在律所、律师、法律科技、律所系统上的垂直知识，以补充你的问题表**

3. 对于上述开发大纲下延伸的各技术难点的具体解决方案，**可以参照目前有的库、模块、项目，做一个集成化的实现。在集成过程中特别注意端口映射、各模块之间匹配、数据模型一致性、权限控制。一切为了该项目的目的服务，为了最大化实现项目开发而列出问题**

4. 务必遵循**冗余开发的原则**！杜绝傻瓜使用



我希望你能根据根据我的要求，和你的理解进行这项**问题提出的工作**。我需要100%的可用性，丰富性，完善性。

其实核心就在于从「开发的角度」和「产品的角度」进行需求上的完善。

「开发的角度」是为了清晰边界，制定规范；「产品的角度」是为了让它可用性得到提升。

同时在提示词上加持了一点：不限制大模型的泛化性能力，不限制边界，要求其自行拓展，冗余开发都可以——这真的会给你带来惊喜的

具体的看书吧：

完善需求表后，让AI对于需求表进行答案的提炼——这一步之所以要单独列出，是因为答案特别重要，不能容得一点幻觉，这会偏离整个开发的方向，值得一个会话人机协同进行。

再根据答案出详尽的prd和spec即可。详情要配合「trellis驱动下的工序安排」一节进行理解。

4. 设计目标

一句话：bug修复是一个目标，功能检测是一个目标。

要区分小目标和大目标，也就是一个具体的功能点和一轮开发阶段的关系。

这是战术和战略的关系。

5. trellis驱动下的工序安排

trellis提供了足够轻盈以及完善的harness框架。harness出来之后我们才知道这个叫harness。

轻盈在于，trellis的指令集并不冗杂，对于新手来讲特别友善。

完善在于，麻雀虽小五脏俱全，项目开发的每个阶段都有涵盖，并且配合上良好的hook控制，对于市面上主流的AI编程工具达到了丝滑使用的标准。

特别的，trellis对于非编程场景的兼容性也是独一的，引入了monorepo以及模板的技术，但并不妨碍例如写作场景的兼容：素材、版本、任务的控制。

而在trellis的框架下，人所需要做的就是：

1. 使用trellis-meta读取任务


2. 使用trellis-brainstorm确定需求


3. 使用trellis-update-spec将需求解耦成prd和spec文档


4. 让trellis开始沿着文档进行多轮开发

写到这里感觉都快写成trellis广告了，但的确是trellis最好用。

对于需求解耦这一点，trellis的约束是最恰当的，在opus 4.7的配合下，得到的prd和spec的确是最多最好的。

我的方式是先让opus 4.7跑一轮，然后gpt-5.5再跑一轮，保证spec和prd的完善。

而在开发阶段，由于trellis目前还在开发对于长期任务的支持，目前还是会存在大量人确认的环节，这时良心手测，codex-autoresearch这个skills就很好用了！真心很好用！

在启动一轮任务之前带上这个skill，就让他读你prompts文件夹下的某个子文件夹内的文档进行开发就好！

6. 检验和结项

gpt-5.5具有良好的自纠错能力，所以我不怎么关心TDD的问题，所以这也我爽的雅痞，太好用了天哪，爆杀opus 4.7。

但要注意，原本的spec和prd在开发结束后可能有漏项，一定要手测一轮，按照表格一项一项对，确认都开发完成。

gpt-5.5现在依然会出现虽然没开发但是给你填一个“已完成”的情况，幻觉的幽灵依然困扰着模型本身。

人就作为最后的兜底好了，反正也不麻烦。

省流版 - 工序部分的实战总结

总结一下，给不想看我啰嗦话的佬友们：

1. 创建项目文件夹，取名


2. 创建docs和prompts自文件夹。docs文件夹放置文档，prompts文件夹放置提示词以及记录开发阶段。


3. 打开trellis驱动的codex/claude code，使用brainstorm命令进行需求描述


4. 确定需求后，使用update-spec命令对需求总结成100-500个问题的需求表供个人填写。数量根据人的判断决定多寡。


5. 让opus 4.7生成一轮后让gpt-5.5补充一轮


6. 需求表填写完成后，再次驱动opus4.7，使用update-spec命令对需求表进行解耦成prd和spec命令


7. 确定prd和spec，驱动gpt-5.5开发


8. 开发完成后检验prd和spec是否达到全部完成，进行手测

注意事项：

1. Claude Code用户必须开启ToolSearch功能！节省token以及上下文窗口，不知道此方酱的工具还有用否，放一个在这里


2. 工具当然是越齐全越好，但是应当做好工具箱：用多少开多少。这样一方面是为电脑资源节省，一方面是为更好的编程体验。这一点是非常重要的！


3. 下列很多工具都是魔丸来的，三天两头出问题，使用之前最好老老实实像个老师傅一样先扫一遍环境，看看工具是否运转正常…最好指认…就是这个问题现在已经不喜欢关电脑了。

必备工具

这是我认为必须要装上的，基本上每个ai工具我都复用统一套工具链。

软件开发

这是专门用来软件项目开发特化的。不用可以不开，增加上下文空间，节省token！

逆向

所有工具都需要本地部署和初始化。

这方面我就不班门弄斧了，我个人还是刚刚的初学者，想列几个对我目前的确有帮助的工具名和帖子和大家交流一下：

工具

帖子（侵权请联系作者删除）

• https://linux.do/t/topic/1704802


• 利用Codex完成简单逆向的思路与尝试 - 开发调优 / 开发调优, Lv3 - LINUX DO


• 简谈代理检测与风控科普 - 开发调优 - LINUX DO

Codex

config.toml

config.txt (8.0 KB)

agents.md

AGENTS.txt (44.2 KB)

Claude Code

.claude.json

.claude.txt (31.0 KB)

settings.json

settings.txt (4.1 KB)

claude.md

claude.txt (38.0 KB)