AI 编程协作：工作流与人的位置
从「AI 帮我写」到「我带 AI 干」：工具形态的三分法已经作废，换成三根轴（会话在哪跑、异步能力、编排单位）。上下文不是资料袋是工位，人的位置从写代码挪到定规格、验结果、归因翻车 —— 面试开场题问的就是你能不能说清一次省了一天与一次翻车各是为什么。
也叫：AI 编程 · vibe coding · AI 辅助编程 · 工程纪律 · 归因能力
先学上下文工程
定义出自 T7-1
- 上下文预算（context budget）——一次请求里，你实际能让模型「用上」的信息是有限的，而且远小于窗口标称的容量。装进去的东西之间会互相竞争注意力：多塞一份废弃代码，不是「多了一份参考」，而是「给正确答案多加了一个竞争者」。
- 上下文腐化（context rot）——上下文越长模型表现非均匀地下降。注意「非均匀」：不是线性变笨，而是在某些位置、某些任务上断崖式失效。一份测了 18 个模型的研究还发现：把干扰材料打乱顺序，模型反而比材料逻辑连贯时更准——连贯的错误材料更像正确答案。
- 代理式检索（agentic search）——不预先建索引，让模型自己
grep、读文件、顺引用爬，边找边判断。相对的是索引式检索：预先把仓库切块做 embedding，查询时向量召回。
上下文不是资料袋，是工位 —— 桌上放什么，决定它能不能一次干对
第一种给法 · 都在这儿了
对应近三年文档全打印出来，堆满他的工位
他得先花半天分辨哪份现行、哪份是废弃草稿；判断错了你还不知道，他会很自信地按错的那份干
上下文腐化 · context rot
上下文越长，表现非均匀地下降
不是线性变笨，是在某些位置、某些任务上断崖式失效。测了 18 个模型的研究还发现：把干扰材料打乱顺序，模型反而比材料逻辑连贯时更准 —— 连贯的错误材料更像正确答案
非均匀断崖式失效打乱反而更准
第二种给法 · 三份加一张便签
对应「上周刚出过事，注意第 47 行」
还写着「旧版在 legacy/ 下，不跑了，别动」—— 信息量小得多，信噪比高得多，他不用猜
上下文预算 · context budget
能让它用上的，远小于窗口标称
装进去的东西之间会互相竞争注意力：多塞一份废弃代码，不是「多了一份参考」，而是「给正确答案多加了一个竞争者」
互相竞争注意力信噪比远小于标称
代理式检索（agentic search）是同一枚硬币的另一面：不预先建索引，让模型自己
grep、读文件、顺引用爬，边找边判断；对面的索引式检索是先把仓库切块做 embedding，查询时向量召回。这两条路线争的压根不是同一个指标 —— 下一张图的表里摊开。以上节选自T7-1 从「AI 帮我写」到「我带 AI 干」——工具形态、上下文预算与人的位置，读全文能看到前后语境。