那今天干了什么?除了为了玩做数据挖掘?
呃,我写完了整套 Claude 3.5 上下文基础设施。它干的事包括构建文件树的表示,追踪认知复杂度和数据的 token 化。这里的想法真的很妙。
是这样,Claude 是个好编码员,但 Anthropic 没有为搭建大型应用设计这套系统。老实讲,这套系统本身设计得不算好,我觉得我能做得更好。但它已经是我们手里最适合我喜欢的这套工作流的工具,而且它把我的生产力大幅拉了上去。
为了解决硬撑上下文时我踩到的那些坑,我退回到了一些非常正式的产品方法论。正式到什么程度呢:干这行 30 年,我从没见过哪家真实的开发公司,严格得能赶上我给 AI 立的这套规矩。编码标准,一套我称之为「机器人看板」的方法论,一套专为 ChatGPT 打造的、真正无情到发指的 QA 机制,而且它以挑错和抓疏漏为乐。
上下文的三层
我用几种方式保住上下文。
1. Happy Trees——我自己想出来的一种可压缩轻量树状 markdown 方案,重量只有 JSON 的一半,专攻复杂文件结构。
2. 逻辑图——一套给 Golang 应用做爬取的系统,读出你的类型、结构体、函数,放进层次化的 JSON 格式,让你鸟瞰每个 go 模块……还不至于让 Claude 熔掉。系统也用 token 化,给模块和文件打认知复杂度分,这同样是判断我的关注点何时该拆分、模块化的好信号。当你的实现一天能打进去 90 人时,这就很顺手了。
我把基础设施的这一块用 PHP 写,因为它改得足够勤,得用脚本语言写。不过,做认知量计算和 token 化的代码全是一大堆正则表达式。这就意味着要么用 Python 写出来然后听天由命,要么用 PHP 写——那里的正则表达式更好读、更好打理。
3. 当前状态报告。我把 Claude 会话维持在最大长度,不往外推。所以我在机器人看板流程里定了一个仪式:结束时,命令 Claude 以迂腐的精确度,记录我们的每一项决定、每段代码、每张逻辑图、每个交互过的文件。
然后在下一个会话开头,把机器继续干活所需的那些零件递过去。
这套组合拳让 Claude 保持连贯、不脱靶。但我也得承认,和 Claude 聊着聊着不跑题,很难。
QA 回路
拿 ChatGPT 当 QA 效果相当不错。Mini 的认知灵活性不如 Claude,连干基础活都需要多得多的正式流程,但她是个很棒的代码和文档审阅者。
事情大概就是这个规模了 :)
现在,去把 Worm 项目干完!