為什麼你的AI寫的代碼總是"半吊子"？問題不在模型，在你
整理版優先睇
AI寫代碼半吊子？問題係你點管理上下文
呢篇文章講嘅係一個常見嘅困惑：點解用同樣嘅AI模型（Claude、Cursor），有人可以一氣呵成完成項目，有人就做到一半開始「雞同鴨講」？作者發現關鍵唔係模型本身，而係點樣管理餵畀AI嘅「上下文」。
Cursor最近公佈咗一個新功能——動態上下文發現，佢哋嘅核心發現係：畀模型嘅信息越少，輸出反而越精準。原因好簡單：信息少，噪音就少；噪音少，AI嘅注意力就集中；注意力集中，任務完成度就高。呢個概念聽落反直覺，但邏輯好合理。
文章提供咗5個即用嘅技巧：長響應存文件、聊天記錄保存、Agent技能按需加載、MCP工具動態發現、終端日誌存文件加grep提取。整體結論係：Context is King。喺AI時代，管理上下文嘅能力就係你嘅核心競爭力。
- 結論：管理上下文比模型更重要，好模型唔等於好代碼。
- 方法：動態上下文發現——信息越少，輸出越精準。
- 差異：畀太多資訊會令AI分心，分批餵食效果更好。
- 啟發：AI編程工具嘅真正瓶頸係餵養方式，唔係模型。
- 可行動點：檢查配置文件，加入長響應存文件、聊天記錄保存等指令。
作者嘅頓悟
作者曾經以為，用上最強嘅AI模型，代碼質量就會自動起飛。但佢發現，同樣嘅Claude同Cursor，有人可以完成整個項目，佢自己就喺第三輪對話後開始「雞同鴨講」。
問題唔係模型唔夠聰明，係我餵畀佢嘅「上下文」太亂了。
Cursor嘅動態上下文發現
Cursor最近做咗一件大事——將「上下文管理」內置到產品裏面。佢哋嘅核心發現係：畀模型嘅信息越少，輸出越精準。呢個概念聽落反直覺，但邏輯好簡單。
信息越少 → 噪音越少 → 注意力越集中 → 任務完成度越高
呢個發現改變咗作者對AI編程嘅理解，原來瓶頸唔係模型，而係我哋點樣「餵養」佢。
5個即用上下文管理技巧
以下技巧可以即刻用喺你嘅AI工具，提升代碼質量。
- 長響應存文件：任何超過50行嘅MCP響應，保存到文件，需要時再讀取。Claude可以反覆分析文件內容，唔使重複調用工具。
- 聊天記錄保存：將完整聊天記錄存成文件，當摘要唔夠用嘅時候，AI可以回溯原始對話，避免遺失關鍵細節。
- Agent技能按需加載：只將技能名稱同描述放進上下文，需要時先搜索加載具體內容，5個技能只佔約0.2%嘅空間。
- MCP工具動態發現：每個MCP一個文件夾，用文件夾列出工具名，AI淨係需要嗰陣先查找。測試顯示可以節省46.9%嘅上下文空間。
- 終端日誌存文件加Grep提取：將所有終端輸出自動寫入日誌文件，用Grep命令提取錯誤信息。Claude用幾秒就揾到崩潰原因，省下重跑測試嘅2分鐘。
別讓AI一次食太多，分批餵食，消化更好。
一個令我頓悟嘅真相
我以前以為，用咗最強嘅AI模型，啲代碼質素就會自動飛天。
直到我發現咗：同樣嘅Claude，同樣嘅Cursor，有人可以一氣呵成完成曬成個項目，而我呢，就喺第三輪對話之後開始「雞同鴨講」。
問題出喺邊？
唔係模型唔夠聰明。係我餵畀佢嘅「上下文」太亂。
💡 金句：好模型唔等於好代碼。你點樣管理上下文，先至係決定代碼質素嘅隱藏變數。
🧠 Cursor啱啱公佈嘅秘密：動態上下文發現
Cursor最近做咗一件大事——佢哋將「上下文管理」直接內置咗入個產品度。
佢哋嘅核心發現令我震驚：
畀模型嘅資訊越少，輸出越精準。
聽落反直覺？但邏輯好簡單：
資訊越少 → 噪音越少 噪音越少 → 注意力越集中 注意力集中 → 任務完成度越高
呢個就好似你叫一個人同時做50件事，對比淨係叫佢專注做1件事。結果差天共地。
📋 5個即刻可以用嘅上下文管理技巧
1️⃣ 長響應？存檔案！
MCP工具成日會回傳超長響應，直接塞入上下文視窗會造成「資訊爆炸」。
傳統做法：截斷長響應（但會遺失關鍵資訊）
更好嘅方式：
任何超過50行的MCP響應 → 保存到文件 → 需要時再讀取
實際效果：Claude可以反覆分析檔案內容，唔使重複叫工具，準確率直線上升。
💡 金句：唔好俾AI一次過食太多。分批餵食，消化得更好。
2️⃣ 聊天記錄？唔好俾佢消失！
你有冇遇過呢種情況：
對話去到一半，系統自動「壓縮摘要」，然後……之前討論嘅關鍵細節冇曬？
Cursor嘅解法：將完整聊天記錄存做檔案。
當摘要唔夠用嘅時候，AI可以回溯返原始對話，揾返啲「被遺忘」嘅細節。
我嘅實踐：在claude.md喺度加一條指令——每輪對話結束之後，自動將關鍵決策同步驟記錄到歷史資料夾。
結果：以後唔怕「善忘」嘅AI喇。
3️⃣ Agent技能：按需加載，而唔係全部塞入
Anthropic首創嘅「Agent技能」概念，畀Cursor發揚光大。
核心思想：漸進式披露（Progressive Disclosure）
淨係將技能嘅名同描述放入上下文 有需要嗰陣先透過搜尋加載具體內容 5個技能只佔用大約**0.2%**嘅上下文空間
💡 金句：最好嘅工具箱，唔係將所有工具擺曬喺枱面，而係知道幾時要拎邊一把。
4️⃣ MCP工具：動態發現，慳返46.9%空間！
呢個係最令我興奮嘅數據——
Cursor測試發現：動態發現MCP工具，比起全部暴露喺上下文裏便，節省咗46.9%嘅空間。
方法：
每個MCP一個資料夾 資料夾裏便列出所有工具名 AI淨係喺需要嗰陣先去揾具體工具
額外好處：當MCP伺服器斷線嗰陣，AI仲會提你重新認證。
5️⃣ 終端日誌：存檔案 + Grep提取
跑咗2分鐘嘅測試，結果報錯。
傳統做法：重新跑一次，浪費時間。
更聰明嘅方式：
將所有終端輸出自動寫入日誌檔案 用Grep指令提取相關錯誤資訊 AI直接分析日誌，定位問題
我測試嗰陣，Claude淨係用咗幾秒就喺日誌裏便揾到崩潰原因——慳返重跑測試嘅2分鐘。
🎯 最後嘅啓發
AI編程工具嘅真正瓶頸，從來都唔係模型本身。
係我哋點樣「餵養」佢。
就好似種一棵樹咁：
水太多會爛根（資訊過載） 水太少會枯萎（上下文不足） 恰到好處先可以茁壯成長
💡 金句：Context is King. 喺AI時代，管理上下文嘅能力，就係你嘅核心競爭力。
下一步行動：
檢查你嘅AI工具配置文件 加入「長響應存檔案」嘅指令 開啓聊天記錄自動保存
試嚇，你會發現——同樣嘅AI，完全唔同嘅表現。
覺得有用？轉發畀正在俾AI「激到跳起」嘅朋友啦。 😄
一個讓我頓悟的真相
我曾以為，用上最強的AI模型，代碼質量就會自動起飛。
直到我發現：同樣的Claude，同樣的Cursor，有人能一氣呵成完成整個項目，而我卻在第三輪對話後就開始"雞同鴨講"。
問題出在哪？
不是模型不夠聰明。是我餵給它的"上下文"太亂了。
💡 金句：好模型不等於好代碼。你如何管理上下文，才是決定代碼質量的隱藏變量。
🧠 Cursor剛公佈的秘密：動態上下文發現
Cursor最近做了一件大事——他們把"上下文管理"直接內置到產品裏了。
他們的核心發現讓我震驚：
給模型的信息越少，輸出越精準。
聽起來反直覺？但邏輯很簡單：
信息越少 → 噪音越少 噪音越少 → 注意力越集中 注意力集中 → 任務完成度越高
這就像你讓一個人同時處理50件事，vs 只讓他專注1件事。結果天差地別。
📋 5個立刻能用的上下文管理技巧
1️⃣ 長響應？存文件！
MCP工具經常返回超長響應，直接塞進上下文窗口會造成"信息爆炸"。
傳統做法：截斷長響應（但會丟失關鍵信息）
更好的方式：
任何超過50行的MCP響應 → 保存到文件 → 需要時再讀取
實際效果：Claude可以反覆分析文件內容，不用重複調用工具，準確率直線上升。
💡 金句：別讓AI一次吃太多。分批餵食，消化更好。
2️⃣ 聊天記錄？別讓它消失！
你有沒有遇到過這種情況：
對話進行到一半，系統自動"壓縮摘要"，然後……之前討論的關鍵細節全沒了？
Cursor的解法：把完整聊天記錄存成文件。
當摘要不夠用時，AI可以回溯原始對話，找回那些被"遺忘"的細節。
我的實踐：在claude.md里加一條指令——每輪對話結束後，自動把關鍵決策和步驟記錄到歷史文件夾。
結果：再也不怕"健忘"的AI了。
3️⃣ Agent技能：按需加載，而非全部塞入
Anthropic首創的"Agent技能"概念，被Cursor發揚光大了。
核心思想：漸進式披露（Progressive Disclosure）
只把技能的名稱和描述放進上下文 需要時再通過搜索加載具體內容 5個技能只佔用約**0.2%**的上下文空間
💡 金句：最好的工具箱，不是把所有工具攤在桌上，而是知道什麼時候該拿哪一把。
4️⃣ MCP工具：動態發現，省下46.9%空間！
這是最讓我興奮的數據——
Cursor測試發現：動態發現MCP工具，比全部暴露在上下文裏，節省了46.9%的空間。
方法：
每個MCP一個文件夾 文件夾裏列出所有工具名 AI只在需要時才去查找具體工具
額外好處：當MCP服務器斷開連接時，AI還能提醒你重新認證。
5️⃣ 終端日誌：存文件 + Grep提取
跑了2分鐘的測試，結果報錯了。
傳統做法：重新跑一遍，浪費時間。
更聰明的方式：
把所有終端輸出自動寫入日誌文件 用Grep命令提取相關錯誤信息 AI直接分析日誌，定位問題
我測試時，Claude只用了幾秒就從日誌裏找到了崩潰原因——省下了重跑測試的2分鐘。
🎯 最後的啓發
AI編程工具的真正瓶頸，從來不是模型本身。
是我們如何"餵養"它。
就像養一棵樹：
水太多會爛根（信息過載） 水太少會枯萎（上下文不足） 恰到好處才能茁壯成長
💡 金句：Context is King. 在AI時代，管理上下文的能力，就是你的核心競爭力。
下一步行動：
檢查你的AI工具配置文件 加入"長響應存文件"的指令 開啓聊天記錄自動保存
試試看，你會發現——同樣的AI，完全不一樣的表現。
覺得有用？轉發給正在被AI"氣瘋"的朋友吧。 😄