隋岩_AI辅助编程在SuBase下的开发实践和思考.pdf

1、Create the Best Computing PowerAI AI 协作编程把 Context Context 管理做成工程能力 AI辅助编程在SuBase下的开发实践和思考Create the Best Computing PowerCONTENTS01问题从哪来为什么 AI 写 Demo 很顺，一进工程就容易偏02一条真实链路用一次故障排查说明 Context 为什么会失控03我们的方案AI友好的开发环境MockingTDD多级RAG04多 AI AI 协同实践模板、命令流、memory 和任务协议如何串成闭环，怎么路由05展望讨论Create the Best Computing

2、Power01AI AI 写 Demo Demo 轻松，进工程就翻车从业者真正关心的不是“能写”，而是“能不能稳定地在真实工程里工作”。Demo Demo 世界 单文件、零依赖、上下文封闭 结果以“跑起来”为主，不太追究历史包袱 模型只要顺着题意补全，就容易看起来很聪明工程世界 多仓库、多角色、多阶段约束叠在一起 老代码、边界条件、协作流程都要兼容 一旦上下文组织得不好，AI 会非常自信地跑偏差的通常不是模型强不强，而是上下文有没有被组织成模型能吃下去的样子。Create the Best Computing Power01SuBase SuBase：算苗 AI AI 芯片（ZPUZPU）设计

3、和开发的 AI AI 软件栈中和设备相关的子软件栈。位于整个AI 软件栈的核心向上对接各种AIAI框架 vLLM llama.cpp pytorch ASIC FPGA gem5 GPU Mocking向下对接各种适配器 Runtime Driver Management Linux Mocking上下文大的可怕，不可能一起喂给模型内部组件众多Create the Best Computing Power02AIAI协作的一条真实故障排查链路一个gem5回归阶段持续 panic/illegal access确认架构访问限制，不是所有地址空间都能直接访问核对数据流和预加载路径，发现模式不一致从异

4、常地址回溯到内核侧逻辑，定位错误来源修正 SuBase侧驱动与脚本配置，补齐启动前准备统一参数尺寸与对齐规则，完成链路闭环这个案例意味着什么80W+代码200+文档8相关仓库 context受限，导致日志、代码、经验只能分散在不同AI对话里 每个对话只看到局部，很难形成完整判断 人只能重复转述事实，精力都花在搬运信息上Create the Best Computing Power02所有问题最后都归因到两个工程化 AI 编程的大多数事故，都能归因到 Context 受限或 Context 污染。Context Context 受限Context Context 污染 项目信息远超单次窗口容量

5、关键约束、历史坑点、目录关系塞不进去 AI 做出的选择缺少真正的边界依据 旧对话、无关代码、错误假设一起混进来 模型沿着错误前提继续推理和修改 结果常常不是不会做，而是越做越偏所以真正的解法不是“多试几次 Prompt Prompt”，而是先把 Context Context 管好Create the Best Computing Power03AIAI友好的开发环境：三个方面解决这两个问题每方面都不是抽象理念，而是在针对 Context 受限或污染下手。A A边界清晰+Mocking 兜底 边界内核心信息才进入 Context 边界外统一用 Mock 隔离无关复杂度 作用：减少冗余输入，避免

6、污染B BTDD 驱动的轻量化 Review 测试用例把任务目标钉在可验收标准上 Review 只围绕用例和验收结论展开 作用：让 Context 聚焦核心目标C CRAG+多级索引的知识驱动 在代码库之上，额外引入本地知识库 通过多级索引+RAG 精准检索相关片段 作用：补容量，同时输入保持干净Create the Best Computing Power03AIAI友好的开发环境：三个方面解决这两个问题每方面都不是抽象理念，而是在针对 Context 受限或污染下手。A A边界清晰+Mocking 兜底 边界内核心信息才进入 Context 边界外统一用 Mock 隔离无关复杂度 作用：减