冬季 Swift 培训 · 正传之外：现代 AI 编程全景

你会得到什么

一张分层概念地图，知道每个词解决什么问题，不再“术语堆砌”。

核心思维

从“写 prompt”升级到“定义规范、构建闭环、评估结果”。

工程目标

把 AI 从一次性回答器，变成能持续完成任务的系统。

适配对象

面向 iOS/Apple 开发者，覆盖课堂项目与团队协作场景。

阅读建议： 先看第 2 节路线图和第 12 节总结，再按 3~11 节逐步补细节。每节都带了“能落地”的判断标准。

这节课想解决什么问题
整体路线图：五个台阶
第一阶：LLM
第二阶：Tool Calling
第三阶：RAG
第四阶：Agent
第五阶（上）：Skills
第五阶（下）：MCP
vibe coding：一种工作方式
vibe coding 实战：六条对抗熵增的机制
现代编程范式的四个转变
面向 iOS/Apple 的成长路径
总结：完整概念地图

1) 这节课想解决什么问题

把“会用 AI”升级为“会设计 AI 工作流”

很多同学已经会用 ChatGPT / Claude / Cursor 写代码，但在工程层面还会卡在三个关键问题：能不能验证、能不能复用、能不能团队协作。

为什么有时编译通过，有时出现不存在的 API？
Agent 和普通对话到底差在哪？
RAG / Tool Calling / MCP 是并列概念还是上下层关系？

本讲义目标就是把这些问题压缩成一套可执行框架。

2) 整体路线图：五个台阶

五层不是替代关系，而是叠加关系

第 1 阶 LLM会生成，但没手没眼没记忆

第 2 阶 Tool Calling可执行、可验证

第 3 阶 RAG检索真实知识

第 4 阶 Agent多步计划与闭环

第 5 阶 Skills + MCP团队复用与标准化接入

3) 第一阶：LLM

LLM 是聪明的大脑，但天生“孤立”

断网：知识冻结在训练截止日。
没手：不能直接运行 `xcodebuild` 或改你项目文件。
没记忆：超出上下文窗口后不会自动保留长期经验。

“幻觉”不是偶然 bug，而是概率生成机制导致的结构性风险：它会优先生成“像答案”的文本，而不是“被验证的事实”。

工程结论： 只用 LLM 写代码，最多是“高效草稿”；要变成“可靠交付”，必须引入执行与检索能力。 

4) 第二阶：Tool Calling

给模型一双手：从“能写”到“能验证”

Tool Calling 的核心是：模型声明要调用什么工具，外部程序实际执行，再把结果回传给模型继续推理。

常见工具类型

终端编译、测试执行、文件系统、数据库查询、HTTP 请求、搜索引擎。

带来的质变

把“文本建议”升级为“工程闭环”：写完即跑、失败即修、可追踪可复现。

5) 第三阶：RAG

给模型一双眼：先查证再回答

RAG（检索增强生成）解决的是“知识来源不可信”的问题。模型先检索你的知识库，再基于检索片段生成回答。

可放入 README、架构约定、API 文档、历史踩坑记录。
可显著减少“风格漂移”和“项目内 API 幻觉”。

Tool Calling 关注什么

执行动作与实时结果，例如编译、测试、调用 API。

RAG 关注什么

回答依据与知识正确性，例如规范、设计决策、接口约束。

6) 第四阶：Agent

从“一问一答”到“持续做事”

Agent 的关键不是“会说话”，而是能在多步任务里持续循环：观察、思考、行动、再观察。

四大组件

Planning & Reasoning：任务拆解和动态调整
Memory：情节/语义/程序记忆
Tools：能操作真实环境
Environment：文件、Git、CI、外部服务

真实局限

长链路任务易跑偏
早期误判会在后续放大
幻觉触发错误行动链
需要人工设置关键检查点

7) 第五阶（上）：Skills

把“会做”变成“稳定可复现地做”

Skills 的价值是把团队隐性经验固化为可执行规则，避免同类任务每次都凭个人习惯随机发挥。

text

my-skill/
  SKILL.md
  scripts/
  templates/
  assets/

模块创建 Skill

自动生成 Model / ViewModel / View / Tests，强制 MVVM 约束。

质量检查 Skill

统一跑 SwiftLint、格式化、测试，并输出质量摘要。

PR 生成 Skill

自动产出改动说明、风险点、review 重点和变更记录。

团队收益

新成员直接复用流程，减少“靠口传”的培训成本。

8) 第五阶（下）：MCP

工具接入标准化：统一插头，而非重复造轮子

MCP（Model Context Protocol）解决的是“工具集成碎片化”：同一工具接入一次，多个 AI 应用可复用。

MCP Server

工具提供方，封装认证、权限和数据转换，并暴露标准能力。

MCP Client

AI 应用侧，发现并连接 Server，给模型暴露可用能力并回传结果。

区分关系：`Tool Calling` 是“模型如何调用工具”的机制层。
`MCP` 是“工具如何标准化接入与复用”的协议层。
`RAG` 主要负责“读取可靠知识”，MCP 还能执行写操作。

9) vibe coding：一种工作方式

它是交互范式，不是单一技术

vibe coding 的本质是“意图驱动 + 快速迭代”，你描述目标感觉，AI 产出代码，然后根据运行结果继续对话修正。

适合场景

Demo、PoC、学习探索、hackathon、小工具。

高风险场景

长期维护核心模块、性能敏感路径、安全敏感逻辑、多人共享代码。

实践建议： vibe coding 要配护栏，最低要求是 `看 diff + 跑测试 + 做代码审查`，否则技术债会非常快地累积。

10) vibe coding 实战：六条对抗熵增的机制

以下六条机制，说来说去对抗的都是同一个东西——上下文的熵增。你不治这个，迭代越快，崩得越快。每一条都是可以立即落地的工程手段，而不是"写在 prompt 里祈祷 AI 听话"。

①

多模型对审：Plan 阶段就把坑填完

用 Opencode 的 plan mode 生成方案文档，再把文档交给另一个高能力模型做评审。每一个需求点都要经过五六个来回的质疑和补全，这样打磨出来的 plan 交给执行模型，几乎一次性通过，不用返工。

核心逻辑：写代码的成本远高于审方案的成本，把反复修改的循环前移到纯文本阶段，是最划算的投资。讨论一个普通的需求，都可以把上下文几乎吃光——把这些消耗花在 plan 阶段而不是代码阶段，性价比最高。

②

分形文档 + 强制同构

根目录放一份全局地图，每个模块放一份成员清单和接口说明，每个文件头部声明依赖和职责。三层是折叠关系，AI 从任意文件进入，三次 Read 就能拿到完整上下文。

这个思路的本质是利用 Opencode 的 instructions 文件强制加载机制，播种一套文档。但光有文档不够——每次代码变更后必须强制回环检查：文件头的依赖声明还对不对，模块文档的成员清单要不要更新。文档和代码是同一事物的两个相，任何一相变了另一相没跟上，三轮会话后 AI 就在错误上下文上越写越离谱。

③

Hook 自动拦截，别靠 prompt 约束

把项目规范写成自动检查脚本挂在 hook 里，AI 写出违规代码时写入瞬间被拦截打回。你在 system prompt 里写一百遍"不要这样做"，不如工程化拦它一次。AI 没有记忆力，但 hook 有。

举个例子，利用 Hook 机制强制规范了需要使用特定 UI 组件库，结果整个项目生成的任何页面，完全没有逃逸。Opencode 支持自定义 hooks，在 .opencode 配置中设置 pre-commit、post-edit 等钩子脚本，实现同样的拦截效果。

④

Plan 文件持久化，别信对话记忆

Opencode 的 plan mode 生成的 plan 文档，默认可能散落在系统文件夹下。通过配置 plan 的存储路径，就能让每个项目的 plan 落在每个项目的文件夹内。

另外 plan 文档默认是不带 checklist 的，在默认的 plan 中加入 checklist 跟踪进度，完成一项就回写文件。会话中断后，新会话读文件从断点恢复。文件系统才是唯一可靠的状态源。这点非常重要。

⑤

质量红线必须量化

单文件 ≤ 800 行，单函数 ≤ 30 行，嵌套 ≤ 3 层，分支 ≤ 3 个。不是建议，是硬阈值。AI 对"函数要短"的理解飘忽不定，但对"不超过 30 行"执行得非常稳定。

所有审美判断都要降维成可判定谓词，这是跟 AI 协作的基本功。要有架构洁癖、代码洁癖——让 AI 有洁癖是一件几乎没有成本的事情。

⑥

渐进式上下文加载

别每次把所有文档一股脑灌进去。改 bug 只加载目标模块文档，做架构决策才加载全局地图。上下文窗口是稀缺资源，信息过载和信息不足一样有害。

像设计数据库索引一样设计 AI 的信息检索路径——命中率比覆盖率重要。就算有了大上下文窗口，熵增问题可以缓解，但仍然不能根除，所以还是需要掌握渐进式加载的技巧。

总结： 这六条机制的共同敌人是"上下文熵增"。vibe coding 的速度越快，不加治理就崩得越快。用工程手段（文档、hook、持久化、量化指标、分层加载）替代"写 prompt 祈祷"，才是让 AI 协作可持续的关键。 

11) 现代编程范式的四个转变

1. Code-first → Spec-first

先定义验收标准与边界，再让 AI 实现，不要让 AI 猜需求。

2. 文件生成 → 系统编排

关注完整交付链：检索、生成、验证、修复、文档、PR。

3. 一次性 Prompt → 可复用资产

把高频流程沉淀成 Skills，把工具接入标准化为 MCP。

4. 能跑就行 → 持续评估

持续检查覆盖率、性能、可维护性与边界行为，不只看“当前通过”。

12) 面向 iOS/Apple 的成长路径

Step 0

把 LLM 用好（基础）

你要能清晰描述输入/输出/边界，并能审查和手改 AI 代码。

Step 1

接入 Tool Calling（验证闭环）

每次生成后都跑编译与测试，养成“先验证再接受”的习惯。

Step 2

建设 RAG（项目知识）

把架构约定、API 说明、命名规范和历史坑文档化并可检索。

Step 3

升级 Agent（多步任务）

给出完整目标，设置关键检查点，让 Agent 做执行与反馈闭环。

Step 4

沉淀 Skills（团队规范）

把高频流程和质量要求固化为技能包，降低团队协作波动。

Step 5

标准化 MCP（统一工具接入）

把个人“本机可用”升级为团队“可复用、可维护、可扩展”。

13) 总结：完整概念地图

一句话总览： 现代 AI 编程不是“让 AI 帮你写几段代码”，而是构建一个可计划、可执行、可验证、可复用的工程系统。

LLM 决定“生成能力”。
Tool Calling 决定“执行与验证能力”。
RAG 决定“知识可靠性”。
Agent 决定“多步任务完成能力”。
Skills + MCP 决定“团队级复用与治理能力”。

主线之外 · 现代 AI 编程全景