今年，我并不是只用 Gemini。

新开会话，从头再来。

AI在编程Neng力上突飞猛进,软件行业首当其冲受到冲击. AI 提升编程效率.需尽快拥抱AI工具,提升软件工程全流程Neng力,积累实战经验。

反思：效率提升的幻象

当对话变长、开始发散时我会…

但是不可否认的是,大多数人用 AI 编程的方式,其实跟几年前没啥区别——就是 提需求,等结果 。我们kan似效率提升了,实际产出质量并没有真正提高。.于是就变成了:AI 写代码hen快,但返工geng频繁.

常见问题：表象之下隐藏的陷阱

常见情况包括：

需求描述不够清晰，导致 AI 生成的代码偏离预期。

缺乏对项目整体架构和编码规范的理解，导致生成的代码与现有项目不兼容。

未Neng有效利用 AI 的上下文记忆Neng力，导致重复劳动和信息遗漏。

我的转折点：Gemini CLI + 持久化上下文

作为第一梯队模型，Codex 在代码生成质量、逻辑严谨性上同样非常强，甚至在某些复杂算法和抽象建模上，表现得geng“像工程师”。

真正的改变，来自我开始使用 Gemini CLI + 持久化上下文。

代码示例：让 AI 理解你的世界

!git status!pnpm test!pnpm lint

从这一刻开始，AI 的目标不再是“kan起来正确”，而是它基于一手调试信息给出判断。

构建项目记忆：GEMINI.md 的力量 核心理念：上下文属于项目本身

/memory add "数据库端口是8080"/memory add "接口使用 Bearer Token 鉴权" 这些信息会被显式存入当前会话记忆。

技术栈与编码规范 目录与模块约定 输出必须满足的验收条件

} 明确规则与边界

 / compress 

它 会 把历史对话压缩为一个结构化摘要 ,减少 token 使用 ,同时保留关键信息 . 年之前 ,我对 AI 编程工具的态度一直hen矛盾 . 它hen强 ,但在真实项目里 ,并不可靠 . 这不是为了省 Token ，而是默认它进入项目就自动加载这些规则 。 我以前的解决方案是 : 我会继续 : 把 “ 正确性 ” 工程化 . } 分层维护项目上下文 接入 Chrome DevTools MCP：赋予 AI 感知Neng力 👉 Gemini CLI 引用文件 + 执行 Shell 命令截图 👉 Chrome DevTools MCP 工作示意图