使用 cc cli + deepseek 进行 AutoCAD 二次开发交流

佬们，不知道有没有搞土木设计的。最近我在用 cc cli + deepseek 开发 AutoCAD 图库插件，基本是纯 vibe coding。之前也用 AI 写过一些 .lsp 脚本，能做点小功能，但这次算是第一次正儿八经上 harness，做一个对我这种非科班来说还算有点复杂的项目。中间踩了不少坑，也有一些心得，拿出来跟佬们交流学习一下。

前言

先简单说下开发环境和框架：

一些痛点

1. 修 bug 很费劲

AutoCAD 版本多，API 也多，而且很多行为还挺反常识的，所以 AI 很容易出现这些问题：

• 
  

  胡乱假设，尤其是不查文档就直接脑补 API 行为。

  
  


• 
  

  不太爱主动查日志。

  
  


• 
  

  很容易急着找一条路就开干，结果越修越深，最后变成在同一个层面上不停打补丁。

  
  


• 
  

  一个 bug 反复修不好之后，感觉模型会越来越蠢，同一个会话后面修好的概率明显下降。

  
  

很多时候不是“模型不会”，而是“上下文已经被污染了”，后面它就开始顺着错误方向继续编。

2. 测试链路太重

AutoCAD 这类东西，很多操作层面没法像普通 Web 项目那样自动化测试。AI 改完代码+自动构建部署以后，一般还是要：

• 
  

  启动 CAD

  
  


• 
  

  NETLOAD 加载插件（这一步也可改注册表自动加载）

  
  


• 
  

  人工操作测试

  
  

效率很低。更麻烦的是，测试结果还得靠工程师转述给模型。这个过程里信息很容易失真，模型又只能根据转述去猜，debug 难度高。

说白了，就是编码 → 测试 → 编码 这个循环里，反馈层太依赖人了。

3. UI/UX 还挺折磨

这点我觉得主要是 DeepSeek 的锅。因为不能直接截图给它看，所以 UI 经常做不出我想要的感觉。很多时候得靠文字描述，很费劲，也容易跑偏。挺期待 ds4.1 以后补上多模态，不然做界面是真的麻烦。

一些优化思路

在这个过程中，我也一直在摸索。现在感觉很明显的一点是：模型能力不变的情况下，优化 harness 的收益最大。

我看了不少论坛上的 context / harness 相关帖子，也学了 Claude Code 官方最佳实践，确实挺有帮助的。佬们也可以看看：

https://code.claude.com/docs/zh-CN/best-practices

1. 最大杠杆还是“带验证过程”

官方说得很对，最有用的不是“让模型想办法”，而是每个提示都要带明确的验证过程。比如：

• 
  

  编译通过

  
  


• 
  

  测试通过

  
  


• 
  

  部署后通过

  
  


• 
  

  和图片 / 现象比照

  
  


• 
  

  尽量解决根因，而不是只修表面症状

  
  

没有验证过程，AI 很容易自嗨；有验证过程，它才会更像在做工程，而不是在猜谜。

2. 上下文管理特别重要

前面说的“反复修不好一个 bug，模型越来越蠢”，我现在越来越怀疑很多时候不是模型退化，而是上下文已经乱了。

所以我现在比较注意这几件事：

• 
  

  该 /compact 的时候就压缩，但要控制好范围和重点。

  
  


• 
  

  和当前任务关系不大的内容，直接 /clear 清掉。

  
  


• 
  

  查文档、读 API 这种事情，尽量丢给 subagents，让它们保留独立上下文，避免主会话被污染。

  
  

这个点真的很关键。

3. CLAUDE.md 别塞太满

我之前的 CLAUDE.md 也是典型误区：觉得什么都重要，结果一路塞到 200 多行。实际用下来发现，内容一多，模型的遵循能力反而下降，尤其在上下文复杂的时候更明显。

我的体会是：

• 
  

  CLAUDE.md 要尽量精简

  
  


• 
  

  真正需要强调的内容，用 @引用 或单独文件引入

  
  


• 
  

  额外规则放到 skills 或 docs 里，不要全堆在主文件里

  
  

简单说就是：别把所有东西都写成“必须遵守”，最后就会变成没有什么真的必须遵守。

4. skill 也别贪多

我之前装了 superpowers 之类一堆 skills，后来发现用起来是真的重，而且很费 token。对企业级大项目可能挺合适，但对个人中小项目来说，有点杀鸡用牛刀了。

后来我就把其中一些能力拆出来，按自己的需求单独用。比如我把里面的 writing-plan 和 execute-plan 拆出来单独用了，感觉效果反而更好，也更轻。

skill 不在多，适合自己最重要。

5. 高智力模型适合做方向和 review

像 GPT-5.5 这种更强的模型，我现在主要拿来做：

• 
  

  方案定方向

  
  


• 
  

  架构 review

  
  


• 
  

  关键问题判断

  
  

真正落地执行的时候，还是靠流程、上下文和 harness 配合。

总结

这个项目基本是下班和周末业余时间搞的，大概花了 5 天左右，成本大概 ￥40。缓存率基本能到 99%，感谢梁大善人。

整体做下来，DeepSeek我基本是满意的，AI 编程不是单纯比模型，更重要的是流程、上下文和验证链路。尤其像 AutoCAD 这种老系统、重交互、难自动化测试的场景，harness 的设计甚至比模型本身更关键。

以上就是一点个人记录，顺便拿出来和佬们交流一下。要是有同样在搞 AutoCAD 二开、或者也在用 cc cli +deepseek 的佬，欢迎一起聊聊经验。