项目牵扯到了jpa和mybatis,枚举映射的值类型有字符串,数值,自定义信息,所以统一了一下规则,方便开发,反正我觉得很好用。

几年前突发奇想,将@RestController和@FeignClient放在了一下,这样测试的时候会方便很多,不用走业务就可以调用接口,然后误打误撞发现真的可以,新项目使用springboot3,在pom.xml文件,引用dependency.version会自动提示版本号,所以就没有去查相应支持的版本,用的提示版本3.1.4,然后出现了很多问题。

【代码】AI代码编辑器 - AI代码框架 - AIDevflow：思维主导协作法的工程实践与跨域创新。

【代码】AI代码编辑器 - AI代码框架 - AIDevFlow - 使用手册。

别再迷信单一模型；理解“IDE+规则+模型”的协作结构，任何人都能稳稳地把 AI 用好

以规矩为锚，让 AI 与工程同频。当规则前置、边界清晰、验收明确、索引顺手、路由合理，AI 的产出就会从“拙劣模仿”变成“可靠增量”。我不会指望它替我做决策，但我会让它在我设定的工程轨道上高效跑起来。

真正的突破在于转向"生态思维"：不是简单地使用AI工具，而是构建一个人与AI共生的创作生态系统。在这个生态中：- **AI不是替代者，而是协作者**：AI负责处理重复性、规律性的工作，人类专注于创意、判断和价值引导- **系统不是静态的，而是演进的**：通过持续的反馈和学习，系统不断优化和进化- **创作不是孤立的，而是网络化的**：不同的创作者、AI模型、知识资源形成协作网络

规则触发与修复：触发次数、修复时长、回归率、违规类型分布。契约稳定度：门面接口变更频次、兼容策略覆盖率、外部依赖变更同步率。提示词合规度：输入约束覆盖率、输出结构达标率、术语一致率。事务一致性：故障演练通过率、事件补偿成功率、并发冲突拦截率。文档完备度：索引覆盖率、断链率、引用一致性、变更同步滞后时长。——工程的难点不在“做不做”，而在“怎么让大家长期稳定地以一致的方式做”。把规则写下来，把流程讲

AIdevflow 的核心不是“更多规则”，而是“恰当边界”。在复杂系统中，规则与流程提供可控的秩序；它们让团队经验转化为可执行的工程资产，使软件交付变得稳定、可预测与可演进。将这些原则落地于分层架构、事务编排、装配治理与质量门禁，最终形成从需求到发布的闭环工程实践。——规则触发与修复：触发次数、修复时长、回归率、违规类型分布。契约稳定度：门面接口变更频次、兼容策略覆盖率、外部依赖变更同步率。提示

AIdevflow 并非用“更多规则”取代思考，而是用“恰当边界”约束复杂系统中的不确定性，将团队的经验沉淀为可执行的工程资产，最终实现“稳定、可预测、可演进”的软件交付。