AI Coding 的上下文卫生
在改代码前建立权威来源、变更边界和验证证据，减少看似正确的错误修改。
3 分钟阅读免费公开
AI Coding 最常见的风险，不是模型不会写语法，而是它基于错误上下文写出了看似合理的代码。
上下文卫生的目标，是让每一次修改都建立在当前、可验证、与任务直接相关的信息上。
先找权威来源
同一个项目里可能同时存在 README、PRD、旧任务记录、代码注释和线上行为。它们出现冲突时，需要先确定优先级。
通常可以按以下顺序核对：
- 用户本轮明确要求；
- 仓库内当前有效的项目指令；
- 可运行代码、数据库迁移和机器契约；
- 测试与部署配置；
- 历史文档和聊天记录。
历史信息可以帮助定位，但不能替代当前状态。
修改前固定三个边界
文件边界
先查看工作树。已有修改可能来自其他任务或其他协作者，不能默认清理、覆盖或重写。
业务边界
明确哪个系统是数据唯一来源。前端展示价格，不等于前端可以决定价格；消费者使用接口，不等于可以复制一套业务状态。
权限边界
代码修改、生产部署、真实付款和删除数据是不同授权级别。完成本地实现不自动获得发布权限。
让验证覆盖真实目标
类型检查只能证明类型关系，单元测试只能证明被测试的路径。完整验证还要回答：
- 构建是否成功？
- 失败状态是否可用？
- 移动端和键盘操作是否正常？
- 跨服务契约是否一致？
- 线上运行的是否就是刚验证的版本？
测试是证据的一部分，不是完成声明本身。
每次结束都留下可恢复状态
记录改了什么、为什么改、运行了哪些验证、哪些步骤尚未授权。下一位协作者应该能从仓库和任务记录继续工作，而不必猜测聊天中的隐含结论。
良好的上下文卫生不会让编码变慢。它减少的是返工、误删和错误上线。