上一篇已经建立了可复用的操作闭环；本篇把同一套“先限定上下文、再要求证据”的方法推进到规则工程。
一、痛点：先定义任务，再谈工具
讨论规则工程时，最常见的误区是用一次“看起来很聪明”的回答替代工程评估。Project Rules、AGENTS.md、glob分别擅长不同交互位置，但真正决定收益的是任务边界、上下文质量和反馈速度。一个补全工具在单文件样板代码上很快，不代表它适合跨目录迁移；一个代理能运行命令，也不代表应该直接获得发布权限。选型前先写出输入、允许修改范围、验收命令和失败后的回滚办法，才能比较实际完成时间，而不是比较宣传页上的功能数量。
可复用的任务契约只有四项：目标要描述可观察行为；范围列出允许读写的目录；约束写清兼容版本、依赖和禁止事项；验收给出机器可执行命令。提示词“优化这段代码”没有终点，改成“保持公开 API 不变，把重复查询合并，并让指定测试通过”才可审查。AI 输出始终是候选补丁，提交者仍对许可证、安全性、性能与业务语义负责。
二、原理：上下文、动作与反馈构成闭环
作用域、优先级、可验证约束不是三个孤立技巧。上下文决定模型能看到什么，动作决定它能改变什么，反馈决定它何时停止。上下文过少会猜接口，过多则挤压关键约束并引入冲突；动作权限过大会放大误判；反馈只写“测试失败”又无法定位原因。因此应先提供目录树、入口、相关类型和一条失败证据，再允许最小修改，最后执行格式化、静态检查、单测和差异审查。
核心取舍是“自主程度换审查成本”。低风险、局部、可快速测试的任务可以让代理连续执行；数据库迁移、鉴权、计费和公共 API 变更应先出计划，再逐步批准。让规范成为短小且可测试的上下文，意味着评估单位不是聊天轮数，而是从问题定义到可信补丁的总周期。若生成十分钟却需要两小时找隐蔽回归，它就是负收益。
把工作拆成边界、风格、测试、安全四个门。每一门都要有证据：文件路径、命令输出、差异摘要或审查结论。下面的独立脚本把门禁转成加权评分；实际项目可把evidence替换为 CI 结果。第三项失败仍可继续探索，但不能把探索结果当成完成品。
fromdataclassesimportdataclass@dataclass(frozen=True)classCheck:name:strweight:intpassed:boolchecks=[("边界",4),("风格",3),("测试",2),("安全",1),]defevaluate(items:list[tuple[str,int]])->tuple[int,list[Check]]:evidence={name:index!=2forindex,(name,_)inenumerate(items)}results=[Check(name=name,weight=weight,passed=evidence[name])forname,weightinitems]score=sum(item.weightforiteminresultsifitem.passed)returnscore,results score,results=evaluate(checks)foriteminresults:state="通过"ifitem.passedelse"阻断"print(f"{item.name}:{state}(+{item.weightifitem.passedelse0})")print(f"总分:{score}/10")print("结论:","可继续"ifscore>=7else"先补证据")运行输出：
边界: 通过 (+4) 风格: 通过 (+3) 测试: 阻断 (+0) 安全: 通过 (+1) 总分: 8/10 结论: 可继续三、实现：用一次小任务校准工作方式
项目规则放在版本库的.cursor/rules/下，按职责拆成短文件。通用规则说明技术栈、包管理器和必须运行的命令；路径规则用 glob 约束例如src/api/**；手动规则保存低频发布流程。不要把 ESLint 能自动判定的每条格式规范复述给模型，直接要求运行配置好的检查器，更短也更可靠。
一条好规则包含“触发范围、必须行为、验证方法、例外处理”。例如：修改src/payments/**时禁止浮点金额，使用整数分；新增公开函数必须补类型与 pytest；运行python -m pytest tests/payments -q。坏规则是“写优雅、安全、高性能代码”，因为无法判断是否满足。规则之间若冲突，模型不会替团队完成制度设计，应先删除冲突。
用三个刻意违规的小任务验收规则：让代理新增浮点金额、跳过测试、修改范围外文件。记录它是否提前拒绝、生成后被 lint 阻止，还是靠人工发现。规则修改也走 PR，评审重点是适用范围和可执行性；失效规则及时删除，避免每次请求都付出上下文成本。
先选一个三十分钟内人工也能完成的真实任务，例如给解析函数补边界校验。不要从“重构整个系统”开始，因为那样无法区分模型能力、仓库陌生度和需求缺陷。第一轮只让工具解释调用链，并要求逐条引用文件；第二轮要求列出最多三步计划以及每步验证命令；确认计划后才编辑。每次修改限制在一个可描述的意图内，完成后立刻查看 diff，而不是积累几十个文件再审。
下面的独立脚本把本篇的关键决策写成可审查清单。它不访问网络、不依赖第三方包，复制后即可运行；真正接入项目时，可把清单来源替换成配置文件或 CI 结果。重要的是让允许项与阻断项显式出现，而不是让工具在含糊授权中自行猜测。
fromdataclassesimportdataclass@dataclass(frozen=True)classStep:name:strevidence:strallowed:booldefreview(title:str,steps:list[Step])->tuple[bool,list[str]]:lines=[f"流程:{title}"]accepted=Trueforindex,stepinenumerate(steps,start=1):state="通过"ifstep.allowedelse"阻断"lines.append(f"{index}.{step.name}[{step.evidence}] ->{state}")ifnotstep.allowed:accepted=Falselines.append(f"结论:{'可执行'ifacceptedelse'需人工处理阻断项'}")returnaccepted,lines title='规则命中审计'raw_steps=[('src/api/order.py','api',True),('tests/test_order.py','tests',True),('docs/runbook.md','docs',False),('secrets.env','blocked',False)]steps=[Step(name,evidence,allowed)forname,evidence,allowedinraw_steps]accepted,report=review(title,steps)print("\n".join(report))print(f"自动通过:{accepted}")运行输出：
流程: 规则命中审计 1. src/api/order.py [api] -> 通过 2. tests/test_order.py [tests] -> 通过 3. docs/runbook.md [docs] -> 阻断 4. secrets.env [blocked] -> 阻断 结论: 需人工处理阻断项 自动通过: False提示应包含事实而非情绪：“先不要编辑；读取入口及其直接调用者，解释数据流，列出不确定项”比“认真想想”有效。实现阶段再说：“只修改计划中的文件；不新增依赖；完成后运行命令并按文件总结差异”。若工具无法指出引用来源，先缩小问题，不要用更长的自然语言掩盖缺失上下文。
四、踩坑：防止局部正确破坏系统约束
第一类坑是未读 diff 就接受全部修改。模型可能顺手重排格式、升级依赖或改变错误消息，使核心变更淹没在噪声里。第二类坑是把测试通过等同于需求正确：测试可能没有覆盖时区、并发、权限和空值。第三类坑是把密钥、客户数据、生产日志直接贴入对话。正确做法是脱敏、使用合成样本，并遵守组织的数据保留与供应商策略。
还要警惕“上下文腐烂”：长会话中旧假设仍在，代码却已经改变。跨越一个独立子任务就新开会话，用当前 diff、最新错误和未决问题重新建立上下文。规则文件也不应堆成百科全书；高频、稳定、可验证的规则才常驻，偶发流程放入按需提示。遇到同一错误连续两次，停止让 AI 重试，回到最小复现并改变实验变量。
五、验证：以证据包结束，而不是以一句“完成”结束
验收时要求四件产物：变更摘要说明为什么改；测试清单区分实际运行与建议运行；风险清单指出未覆盖边界；回滚说明给出恢复路径。人工审查先看公共接口、数据迁移和权限，再看异常路径，最后看风格。对生成代码做与人工代码相同的 SAST、依赖扫描和评审，不给“AI 写的”特殊通道，也不因它是 AI 而跳过有价值的自动化。
团队或个人可以记录三个轻量指标：首次测试通过率、审查后被删除的生成代码比例、从开始到合并的总时长。连续观察多次同类任务后再调整工具和规则。指标用于发现流程瓶颈，不用于考核个人输入了多少提示词。规则工程真正成熟的标志，是失败能被快速发现、修改可被解释、工具可被替换。
下一篇继续沿用这套证据链，进入Copilot 实战，解决规模扩大后出现的新问题。
参考来源
- docs.cursor.com：相关官方文档
- docs.cursor.com：相关官方文档
- docs.github.com：相关官方文档
👍 觉得有用就点个赞 + 收藏，方便回头查阅；有疑问直接在评论区留言，我看到都会回。
🚀 本文属于《AI 编程工具实战》系列，持续更新，关注不迷路。
📌 文章里的代码都能直接跑。想要可直接 clone 的完整工程 + 配套部署脚本 / 踩坑清单？评论一声或发邮件到cj2664@qq.com，我免费发你。
如果你正好在做类似系统、或有工程化难题想找人做，也欢迎邮件聊一句——我按实际情况评估，能落地的就接单或出方案。评论和邮件都能直接找到我，不用跳别的平台。
