过去几年，大家讨论 AI 编程时，经常会把重点放在一个问题上：

Prompt 到底怎么写，才能让 AI 更听话？

比如：

• 提示词要不要写得更详细；

• 要不要先让 AI 分析再修改；

• 要不要规定输出格式；

• 要不要给几个示例；

• 怎么减少 AI 跑偏。

这些方法当然依然有用。

但进入 Coding Agent 阶段以后，一个越来越明显的变化正在发生：

开发者开始不只是“给 AI 写一段 Prompt”，而是在给整个项目写规则。

例如 Codex 现在支持通过 AGENTS.md 为仓库提供长期项目指令；OpenAI 官方说明，Codex 会在开始工作前读取适用的 AGENTS.md，这些规则可以随代码仓库一起存在。

Claude Code 也有类似思路，可以通过 CLAUDE.md 保存项目、个人工作流或者团队级长期指令。

这背后其实反映了 AI 编程工作方式的一个变化：

以前我们在教 AI “这一轮该怎么做”。

现在越来越像是在告诉 AI：

“以后进入这个项目，都应该按照什么方式工作。”

---

一、Prompt解决的是一次任务，项目规则解决的是重复问题

比如你正在维护一个长期项目。

每次使用 AI，都要重复告诉它：

项目统一使用 pnpm。

修改以后必须运行测试。

不要直接修改数据库 Schema。

公共 API 返回结构不能随便调整。

不要为了通过测试修改原有测试预期。

如果一个月只用两次，这些要求重复写一下问题不大。

但如果每天都在用 Coding Agent，一天派出去十几个任务，这种方式很快就会变得低效。

因为你会发现：

大量 Prompt 内容其实根本不是“任务内容”，而是“项目规则”。

任务可能每天都变：

今天修登录；

明天补测试；

后天升级依赖。

但项目规则通常不会天天变。

所以更合理的做法开始变成：

把稳定规则从 Prompt 里抽出来，放进项目本身。

以后 Prompt 只描述：

这次到底要完成什么。

---

二、为什么Agent越强，项目规则反而越重要？

早期 AI 只负责回答问题。

你问：

这个函数怎么改？

它给你几十行代码。

最终：

复制；

运行；

测试；

提交；

全部还是你自己完成。

这时候 AI 就算偶尔理解错一点，影响范围也比较小。

但现在 Coding Agent 已经能够直接读取代码库、修改文件、运行命令和执行更完整的软件工程任务。Codex CLI 可以在本地仓库里检查代码、修改文件和执行命令；Claude Code 同样被设计为直接读取代码库、编辑文件并运行开发工具。

于是一个任务可能变成：

读取项目
↓
搜索相关文件
↓
修改多个文件
↓
运行测试
↓
根据报错继续处理
↓
生成最终Diff

Agent自主能力越强，一个模糊规则被误解以后，影响范围也可能越大。

所以 Agent 时代真正重要的已经不只是：

“这一句话怎么问得更聪明？”

而是：

“这个 Agent 在整个项目里允许怎么工作？”

---

三、项目规则最先应该解决的是“边界”

比如你告诉 AI：

优化登录模块。

这句话里最大的问题并不是 Prompt 不够长。

而是：

什么叫优化？

允许修改哪些文件？

数据库能不能动？

公共接口能不能调整？

测试能不能改？

可不可以增加依赖？

如果这些没有规定，Agent就必须自己判断。

所以项目规则很适合提前定义：

允许：
src/auth/
tests/auth/

禁止：
database/schema/
production config
payment module

要求：
所有修改必须通过现有测试。
不要做与当前任务无关的重构。

以后不管修哪个登录 Bug，这些边界都自动存在。

开发者就不需要每次重新提醒。

---

四、第二类规则是“项目应该怎么验证”

过去我们喜欢告诉 AI：

写完以后检查一下。

但“检查一下”其实非常模糊。

长期项目更适合把验证方式固定下来。

例如：

修改完成后依次运行：

npm run lint
npm run typecheck
npm test

如果是 Python：

ruff check
mypy
pytest

这样 Agent 就不需要每次重新猜：

这个项目到底用什么命令验证。

OpenAI 对 AGENTS.md 的建议也明确包括构建命令、测试方式、代码约定和项目说明等内容。

这类信息其实非常适合沉淀成长期规则。

因为：

测试命令每天基本不变，任务却每天都在变。

---

五、第三类规则是“这个项目平时怎么写代码”

真实项目里通常存在很多开发者默认知道，但 AI 第一次并不知道的东西。

例如：

• 所有 API 请求必须经过统一 Service；

• React 组件里不能直接访问数据库；

• 新增接口必须补测试；

• 错误必须走统一错误处理；

• 不允许使用某个已经废弃的库；

• 新增公共方法必须写类型。

这些要求未必会直接出现在某一个 Bug 里。

但它们却会影响每一个任务。

如果每次都靠 Prompt 临时提醒，很容易漏。

所以项目规则本质上是在建立：

AI版本的团队开发规范。

这也是为什么 CLAUDE.md、AGENTS.md 这类机制越来越重要。

它们解决的并不是“让模型突然变聪明”。

而是：

减少 Agent 每次重新猜项目规则。

---

六、从Prompt转向项目规则，其实是在降低“重复沟通成本”

假设每天给 Agent 派10个任务。

每一个 Prompt 前面都写：

使用pnpm
不要修改数据库
必须跑测试
不要新增依赖
保持API兼容
不要做无关重构

一天就是重复10次。

一个月可能重复几百次。

更麻烦的是：

你有时候会漏掉其中一条。

Agent执行方式就可能突然发生变化。

把稳定规则写进项目以后，Prompt 可以变得非常短：

修复用户退出登录以后缓存没有清理的问题。

AI先读取项目规则，再执行当前任务。

这实际上把沟通方式从：

每一次都重新培训AI

变成：

先建立长期工作规范，再持续派任务。

---

七、Agent越来越多以后，这种变化会更加明显

Codex App 目前已经明确强化多 Agent 并行工作，开发者可以同时让不同 Agent 在独立线程和工作区里处理不同任务。

假设同时有：

Agent A：修登录Bug
Agent B：补测试
Agent C：升级依赖
Agent D：做Code Review

如果四个 Agent 都靠开发者临时输入规则，很容易出现：

A知道不能改数据库；

B不知道。

C知道必须跑测试；

D不知道。

最终每个 Agent 对项目的理解都不一样。

项目级规则的价值就在这里开始放大：

让不同 Agent 在进入同一个仓库时，共享最基本的工程边界。

所以多 Agent 越普及，项目规则就越不像“可选优化”。

反而越来越像基础设施。

---

八、Prompt以后可能会越来越像“任务单”

过去一个 Prompt 可能写几百字。

里面同时包含：

背景；

规范；

环境；

测试；

限制；

目标；

输出格式。

以后更合理的结构可能会变成：

项目规则负责

长期不变的部分：

• 技术栈；

• 目录规范；

• 测试流程；

• 禁止事项；

• 代码风格；

• Review规则。

Prompt负责

本次任务：

修复支付回调重复处理问题。

Issue或者任务卡负责

验收条件：

• 同一订单重复回调只能处理一次；

• 现有支付接口保持兼容；

• 相关测试通过。

这时候 Prompt 本身反而会越来越简单。

因为很多背景已经不需要重复输入。

---

九、Skills其实也是同一个方向

除了项目说明文件，现在 Coding Agent 也开始强化 Skills。

OpenAI目前允许通过 Skills 把任务特定的指令、资源和脚本打包，让 Codex 在符合场景时复用固定工作流。

例如可以做一个：

数据库迁移 Skill

里面固定：

检查 Schema；

生成 Migration；

运行测试；

检查回滚；

输出变更说明。

以后不需要每次写一整套 Prompt。

只需要让 Agent 按既定流程执行。

所以从更大的趋势看：

Prompt正在从“全部规则都写在一句话里”，逐渐拆成：

项目规则；

Skills；

测试；

任务；

验收标准。

AI编程开始变得越来越像真正的软件工程体系。

---

十、这并不意味着以后不用写Prompt

Prompt当然不会消失。

因为你还是需要告诉AI：

这次想做什么。

真正发生变化的是：

Prompt承担的职责开始缩小。

以前 Prompt 可能负责：

目标 + 规则 + 环境 + 测试 + 风格 + 权限 + 输出。

以后 Prompt 更可能只负责：

当前目标。

其他稳定信息交给：

项目规则；

配置；

Skills；

自动化测试；

工程环境。

这样反而更可靠。

---

十一、以后判断一个AI项目是否成熟，可以看“多少规则还藏在人脑里”

有一个很有意思的判断方法。

假设一个项目里，只有老开发者知道：

• 这个文件不能改；

• 那个测试必须跑；

• 这个接口不能变；

• 那个依赖已经废弃；

• 这里必须使用某个工具。

但这些东西都没有写下来。

那对 Agent 来说，这个项目依然是一个非常模糊的环境。

开发者每次都要人工提醒。

反过来，如果这些规则已经沉淀到：

项目文档；

Agent规则；

测试；

自动化流程；

那么 Agent 才真正有可能稳定参与长期开发。

所以 AI Agent 时代另一个很重要的变化可能是：

以前写文档主要是给人看。

以后越来越多项目规则，也会写给 AI 看。

---

最后

为什么 AI 写代码进入 Agent 时代以后，开发者开始从“写 Prompt”转向“写项目规则”？

因为 AI 正在从：

一次回答一个问题

变成：

长期进入一个项目执行任务。

当任务只执行一次时，Prompt 很重要。

但当：

每天都有任务；

任务持续几十分钟；

多个 Agent 并行；

项目规则长期不变；

真正决定稳定性的，就不再只是某一句提示词。

而是：

整个项目有没有一套 Agent 可以持续遵循的工作规范。

所以未来 AI 编程效率的差距，可能越来越不只是：

谁更会写Prompt。

而是：

谁能把团队经验、项目边界、测试流程和开发规范，真正沉淀成AI可以持续执行的项目规则。

从这个角度看，AI Agent 时代真正成熟的软件项目，可能不只是：

代码写得清楚。

还要做到：

连“AI应该怎么工作”都写得清楚。

---

持续更新 Codex、Claude Code、AI Agent 与大模型开发工作流实战内容，更多深度内容欢迎搜索关注「孤狼GPT」。