从盲区扫描到测验合并，我重写了 AI Coding 工作流

同一个需求，我重写了三遍 prompt。

第一遍，AI 把不该动的旧逻辑改了；第二遍，我把“不要动 XX“全列上去，它倒是没乱动了，但做出来的东西完全不是我想要的感觉；第三遍，我把要求写得事无巨细，结果它死板地照做，明明代码库里有现成的更好方案，它看都不看。

我一直以为，是我 prompt 写得还不够细。

直到看完 Anthropic 员工 Thariq 的《A Field Guide to Fable: Finding Your Unknowns》，我才发现这个循环是个死路。

**写得太细，AI 该变通时不敢变通；写得太粗，AI 就用“业界最佳实践“猜你想要什么。你在“细“和“粗“之间反复横跳，永远找不到那个平衡点。因为有一堆你没说出来、甚至你自己都不知道的信息，AI 每次都在替你猜——prompt 改得再好，也覆盖不到这些。

看完这篇文章，我把自己整个 AI coding 的流程推翻重来了。这篇不做翻译搬运，我带你把我理解这套方法的过程走一遍——包括我理解错的地方。我踩的坑，你大概率也会踩。

一、AI 做偏的时候，它在猜

先从一个你一定遇到过的场景说起。

你跟 AI 说：“帮我给登录系统加一个微信登录。”

半小时后它交活了，你一看：UI 风格跟原来的登录页完全不搭，用户表里新建了一堆字段，原来的手机号登录逻辑还被它顺手“优化“了。

你的第一反应可能是：这模型不行。

Thariq 给了另一个解释，他借用了一句老话：地图不是领土（The map is not the territory）。

• 地图，是你给 AI 的信息：提示词、规则、计划、验收标准。

• 领土，是 AI 干活的地方：真实的代码库、历史包袱、你的审美、那些“我们项目从来不这么干“的隐规则。

地图和领土之间的差距，就是未知项（unknowns）。

AI 遇到未知项时，不会停下来发呆，它会接着往下猜——按“业界最佳实践“猜，按“一般人应该想要这样“猜。任务越复杂，未知项越多，猜的次数越多，偏差就一点点累积。最后你看到的，就是那个“能跑，但完全不是我想要的“的结果。

Thariq 有句话让我停下来想了很久，大意是：Fable 是第一个让他感觉到，工作质量卡在他澄清未知项的能力上，而没有卡在模型上。

模型越强，这句话越成立。

二、四类未知项：我在这里踩了第一个坑

Thariq 把未知项拆成四类。这个分类直接决定你该用什么方法对付它，值得逐个看。

我用大白话说：

• 我知道我知道的 —— 你已经写进提示词的信息。“加微信登录，别动手机号登录，UI 沿用现有组件。”

• 我知道我不知道的 —— 你意识到了但还没答案的问题。“新用户要不要强制绑手机号？我还没想清楚。”

• 我知道，但没说出来的 —— 你脑子里有标准，但觉得“这还用说吗“。比如你讨厌花里胡哨的 UI，比如你们项目从来不用弹窗。

• 我根本没意识到自己不知道的 —— 你连这是个问题都不知道。比如你没做过微信登录，根本不知道 unionid 需要绑开放平台才有。

第 3 类最坑人。AI 又不会读心，你没说，它就按通用经验来——结果一出来你说“不是这个感觉“。它每一步都照做了，只是你心里那条标准从没说出口。

第 4 类最危险。第 3 类的问题你看到结果还能反应过来，第 4 类你连问的意识都没有，它就静静躺在那里，等上线之后爆炸。

**我第一次读到这里，就理解错了。我当时想：那“盲区扫描“这招，应该就是用来找第 3 类的吧——把我知道但没说的标准扫出来。

错了。盲区扫描对付的是第 4 类。

后来我想明白了：你知道但没说的标准，扫描是扫不出来的，因为它在你脑子里，AI 在任务里翻不到。这类未知只能靠“给你看东西、让你反应“逼出来——原型、参考案例、AI 反过来采访你。盲区扫描对付的是你连问题存在都不知道的坑：webhook 会重放、可能重复扣款、测试环境配不了回调域名……这些你不可能主动问，只能让 AI 替你排雷。

**不同的未知，要用不同的武器。用错了武器，你会觉得“这方法没用“，但你只是打错了靶子。

三、动手前：先找坑，再实现

理解了四类未知，整个“动手前“的流程就顺了。我现在开工前会按情况做这几件事。

1. 盲区扫描 —— 对付“我不知道自己不知道“

进入不熟悉的领域，第一句话从“帮我实现“换成：

先不要实现。帮我做一次盲区扫描：这个任务里，我可能根本没意识到的坑、边界情况和需要提前定的决策有哪些？按“会不会导致返工/影响架构/影响数据安全“排序。

最后那句排序很重要，不然 AI 会给你列 30 条，把最致命的埋在中间。

2. 多版原型 —— 对付“我知道但说不出来“

审美这种标准，我说不清，但我看了就知道。所以：

先别接真实逻辑。用假数据做 4 个方向完全不同的原型，我看完告诉你我喜欢哪个、讨厌哪个。

原型一定要便宜：假数据、单文件、不碰真实业务。它就干一件事——在改起来还便宜的时候，把你脑子里那些“这还用说吗“的标准逼出来。

3. 让 AI 采访你 —— 对付“我知道我不知道“

采访我，一次只问一个问题，优先问那些答案会改变架构、数据模型或用户流程的问题。

一次一个问题，这个细节很重要。AI 一口气甩 20 个问题，你会麻，挑软柿子答。

4. 实现计划 —— 开工前最后一道闸

让它先出计划，而且明确要求：把最可能变的部分放最前面——数据模型、接口、用户流程。机械性的重构放最后，那部分我信它。

四、动手中：我踩的第二个坑

规划做足也挡不住实现途中冒出来的未知项，Thariq 在文章里专门强调了这一点。AI 钻进代码库以后，才会撞上真实约束——某个组件跟计划里的名字不一样、某个测试写死了登录方式只有两种。

我在这里踩了第二个坑。

想一个场景：AI 实现时发现，计划里说用 LoginButton，但代码库里统一用的是功能一样的 AuthButton。它该怎么办？

我原来的直觉是：停下来问我。

又错了。合理的做法是：复用现成的 AuthButton，把这个偏离记下来，继续干活。

我当时的逻辑是“有不确定就该问我啊“。但你想想，如果 AI 每碰到一个命名差异都停下来问你，你等于雇了个每五分钟敲一次你门的实习生——那还自动化个什么劲。

分界线是风险，跟“有没有偏离计划“没关系：

• 小的代码库适配（组件命名、测试文件位置、代码风格）：选保守方案，记一笔，继续走。

• 高风险决策（动用户数据、合并账号、删字段、改权限、难以回滚的操作）：必须停下来问，不许猜。

那“记一笔“记在哪？Thariq 的做法是让 AI 维护一个临时的 implementation-notes.md，记录四类信息：它做了什么假设、为什么选这个方案、哪里偏离了原计划、发现了什么边缘情况。

这个文件干的事，是把 AI 原本会悄悄完成的猜测，变成你可以检查和纠正的记录。AI 做复杂任务时，改错一行代码你还能查出来；它替你做了一堆判断而你根本不知道，你连查的入口都没有。

五、做完后：测验全对，才许合并

这个环节我以前完全没有，也是这篇文章对我流程改动最大的地方。

以前 AI 干完活，测试绿了，我扫一眼 diff，合并。感觉效率很高。

但 Thariq 点破了一个问题：diff 只告诉你“文件变了“，没告诉你“行为变了什么“。你处在一种很危险的状态里——

代码是 AI 写的，能跑，但我不知道它为什么这么写，也不知道哪里会坏。

他管这叫失去对系统的“理解权“。解法是两步。

第一步，要一份解释报告。“已完成✅“那种总结没用，要的是：解决了什么问题、关键决策是什么、和原计划比哪里变了、有哪些边缘情况、还剩什么风险。

第二步，让 AI 反过来考你。

给我出一套关于这次改动的测验，覆盖动机、业务逻辑和边缘情况。我答错时别直接给答案，先追问我的理解。

Thariq 的规矩是：测验不全对，不合并。

我第一次看觉得有点行为艺术，试了一次就服了。AI 问我“如果微信没返回 unionid，现在的流程会怎么走“，我卡住了——那一刻我才承认，我对这次改动的理解只停留在“它大概加了个登录方式“。

答不上来的那道题，就是你的下一个未知项。

六、重塑之后的流程长什么样

学完这一整套，我把自己的 AI coding 流程重写了。对比一下：

**以前：想需求 → 写个尽量详细的 prompt → AI 实现 → 看结果不对 → 加需求重来 → 循环到能用为止。

现在：

• 动手前：不熟的领域先盲区扫描；说不清的标准用多版原型逼出来；想不清的决策让 AI 采访我；最后出实现计划，重点看会变的部分。

• 动手中：AI 维护实现笔记；小适配记录后继续，碰数据、账号、架构的必须停下来问我。

• 做完后：解释报告 + 测验，全对才合并。

以前我在优化 prompt，现在我在管理未知项。

以前那个循环慢在哪？每次“结果不对“，都是某个未知项拖到实现完成之后才暴露——代码已经写完、方向已经固化，返工要推翻的东西最多。新流程里的每个动作，盲区扫描、原型、采访、测验，干的都是同一件事：趁改起来还便宜，把未知项提前挖出来。

模型只会越来越强。往后你和高手的差距，不会体现在谁的 prompt 写得长，而是同样让 AI 干一天活，有人拿到的是能直接合并的代码，有人拿到的是一堆看着能跑、但不知道哪里会坏的东西。

差别就在：谁知道自己还有哪些不知道。

最后，我把这一套流程总结成了一个 CLAUDE.md 文件——动手前的盲区扫描、原型、采访、实现计划，动手中的实现笔记和停下来问的规则，做完后的解释报告和测验，都写成了 Claude Code 能直接执行的约定。

项目地址：https://github.com/bozhouDev/finding-unknowns-skills

拿去直接用，放进你的项目根目录就行。