模块一：上下文治理 —— 解决 AI 的“失忆与注意力涣散”
大模型的底层逻辑是无状态特性的（Stateless），每次对话都会把历史记录打包成一个巨大的 JSON 数组全量发送。上下文越长，API 越贵，且 AI 越容易产生幻觉（忘记初始设定）。
为了保持 AI 的“绝对清醒”，工程上衍生出了以下四大治理手段：
1. Sub-agent 模式（物理隔离）
- 痛点：遇到具体的细节 Bug 时，如果直接在主会话中让 AI 反复试错，这些“垃圾过程”会严重污染上下文，导致主 Agent 忘记全局架构设计。
- 解法：主 Agent 充当架构师（保持上下文纯净）；遇到 Bug，临时拉起一个 Sub-agent（修 Bug 专员）独立试错，成功后只把最终代码返回给主会话。
- 💡 经典使用场景：你在开发 C 端阅读平台时，主 Agent 帮你搭好了 Nuxt 4 的整体架构。但在写立体书翻页效果时，CSS 3D 动画一直有透视错错乱的 Bug。此时千万别在主对话里来回贴报错代码，而是把这个独立的翻页组件单独发给一个 Sub-agent 去疯狂调优，调顺滑了，再把最终的组件代码合并回主干。
2. 对话分支与状态回溯 (Conversation Forking / Backtracking)
- 痛点：在解决复杂问题时，AI 经常会给出错误的技术路线（比如引入了一个不兼容的库）。顺着这个路线聊下去，会引发更多连锁报错，导致整个对话陷入“疯狂补锅”的死胡同。
- 解法：像 Git 回滚一样，在对话历史中找到“走偏前的那一条消息”，直接执行回溯（或者 Fork 出一个新分支）。此时不仅代码状态回到了过去，大模型的“脑子”（上下文记录）也被清除了那段失败的试错记忆。
- 💡 经典使用场景：你遇到一个 SSR 水合报错 (Hydration Mismatch)。AI 建议你安装一个第三方 NPM 插件来解决，结果安完之后报了 10 个跨域相关的错，你们顺着这 10 个错又排查了 5 轮，越弄越乱。此时直接回退到 AI 提议装插件前的那句话，放弃这条错误路线，让 AI：“这个插件会引发更多问题，请提供一个纯原生的同构预取方案。”
3. /compact 摘要机制（状态压缩）
- 痛点：历史对话过长面临 Token 溢出（滑动窗口直接截断会丢失早期设定的关键规范）。
- 解法：利用大模型做“记忆快照”。将几十轮废话压缩成高密度的结构化文本，替换掉冗长的原始历史，既省 Token 又防偏题。
- 💡 经典使用场景：项目开发了一周，当前的对话历史里堆满了你们关于数据库选型、早期表单交互方案的争论。现在你准备开始写核心逻辑了，直接使用 /compact，大模型会在后台把前面的长篇大论压缩成：“【当前状态】前端使用 Vue 3；【核心约定】严格校验类型，不可变数据更新；【下一步】开发文章渲染模块”。让 AI 甩掉历史包袱，轻装上阵。
4. 代码检索的演进（RAG 的局限与 AST 突围）
- 痛点：传统的向量检索（RAG）靠“语义相似度”找代码极不靠谱，经常把带有相同单词的无关注释找出来，却漏掉了真正互相依赖的函数。
- 解法：利用 AST（抽象语法树）与符号表检索（Symbol Search）进行精确的上下文提取，让 AI 像真正的编译器一样顺藤摸瓜找依赖。
- 💡 经典使用场景：你在开发一个智能体平台，想让 AI 帮你修改 User 相关的状态逻辑。传统的 RAG 可能会找出所有写着 “user” 这个词的无用文件；而通过 ts-morph 等 AST 工具进行静态分析，系统能精确提取出你定义的 TypeScript 接口类型（Interface）、与之关联的全局状态树（Store）以及调用的 API 函数，将最精准的上下文喂给 AI，彻底消灭代码幻觉。
模块二：工具链范式演进（Toolchain Evolution）—— 如何让 AI 具备行动力
目前的研发效能工具链正在经历从“喂饭式”到“自主式”的演进，核心分为两大流派：
- Skill + Bash（敏捷范式）：
- 本质：Prompt as Code。把高频开发场景沉淀为结构化的“技能卡片”。
- 运作：不再给 AI 封装繁琐的读写函数，而是直接给它赋予 Bash（终端）权限。AI 像真实程序员一样，遇到问题自己敲 cat 读文件、grep 搜代码。效率极高，是目前 Cursor / Devin 等先进工具的主流玩法。
- MCP 协议（重型防御）：
- 本质：Model Context Protocol，强类型、强定义的 API 边界。
- 运作：人类必须手写具体的工具函数（如 query_db），并定义严格的入参 Schema。AI 只能在规定好的函数列表中选择调用，无法越界。
模块三：MCP 深度祛魅 —— 穿透黑盒看底层原理
虽然外界把 MCP 传得很神，但作为架构师，必须看透它的物理形态和生态定位。
1. 祛魅：它只是一个 Node.js 进程
MCP Server 听起来高大上，剥开来看，它就是一个常驻在后台的普通 Node.js / Python 脚本。它没有任何黑魔法，只是执行着普通的本地文件读写（fs.readFile）或数据库查询逻辑。
2. 底层原理与作用（AI 界的 USB 接口）
- 原理：它是基于 JSON-RPC 2.0 规范设计的 C/S 架构。大模型客户端（如 Roo Code）通过标准输入输出（stdio）或 HTTP (SSE)，向你的 Node 进程发送规定格式的 JSON 字符串指令；Node 进程处理完后，再以 JSON 格式将结果打印返回。
- 作用：统一规范。以前给不同的 AI 写插件要适配不同接口，现在只要按 MCP 规范写一次本地服务，任何支持 MCP 的大模型“插上就能用”，极大降低了给 AI 写“外挂”成本。
3. 如何实现一个 MCP 服务器
通常不需要从零手写解析逻辑。在 Node.js 环境下，会直接引入官方的 @modelcontextprotocol/sdk（或 FastMCP 等轻量框架）。实例化 Server 后，调用 SDK 暴露的 API 去注册 Tool（定义函数名、入参 Schema 和执行逻辑），最后启动服务监听 stdio 即可。
模块四：安全边界与容错率 —— 为什么生产环境必须用 MCP？
既然 Bash 模式开发效率这么高，为什么在敏感场景或生产环境依然要用看似繁琐的 MCP？这取决于爆炸半径与容错率的差异：
- 本地开发环境（适合 Bash，极致提效）：
- 容错率极高：有 Git 作为“后悔药”（
git reset --hard瞬间恢复）。 - 人在回路（Human-in-the-loop）：危险操作前会有确认弹窗，人类的双眼是最后一道防线。
- 爆炸半径小：哪怕 AI 产生幻觉执行了
rm -rf /，损失的也只是一台个人电脑的环境。
- 容错率极高：有 Git 作为“后悔药”（
- 线上生产环境（必须 MCP，极致安全）：
- 数据不可逆：真实的业务数据库被删改是灾难性的，无法简单撤销。
- 无人值守：Agent 通常在后台异步运行，一旦产生幻觉（大模型的概率性缺陷），没有任何人能拦住它。
- 爆炸半径极大：涉及全量用户资产 and 公司生命线。
- MCP 的核心价值：用人类编写的、确定性的沙盒代码（权限校验、只读拦截），去兜底大模型概率性的危险行为。它是关住猛兽的那道防弹玻璃。