用途
Accountable Engineering 面向需要在 AI 辅助下完成非平凡工程任务的团队或个人,强调在享受 AI 杠杆效应的同时,保持架构、安全、产品与运维决策的可理解性和人类主导权。它针对一个具体风险:"认知投降"——接受那些没有任何人能独立解释清楚的生成式决策。
主要能力
该流程为每一个非平凡的 AI 辅助任务定义了八个阶段,每个阶段都给出"完成条件":
- 定义行为与约束:在改动代码之前,写清预期行为、非目标、安全边界、性能期望和验证标准。先查仓库证据再提问,仅当不同解释会改变行为、范围、接口、安全或其他实质结果时才发问。完成条件是每个请求的行为都有可核验结果,每个已知约束或非目标都被明确。
- 先提方案再实现:检查相关代码,提出符合现有边界的最小方案,包含数据流、集成点、失败处理、有意义的替代方案和未决问题。为每个重要步骤说明将用哪个测试、命令、可观察行为或 diff 属性证明其完成。可按需加载 blindspot-pass(隐藏陷阱)、spec-interview(需求可能改变设计)、context-discovery(行为跨多个模块或工具)。
- 评审架构与关键决策:把实质性的架构、安全、产品和发布选择提交评审,对每个未决选择给出建议及其取舍。完成条件是用户已批准或明确授权每个实质选择,且方案无需依赖生成的代码即可解释。
- 小步实现:实现最小的可独立验证增量,检查其 diff 并运行针对性检查后再继续。每个改动块都属于必要工作或由此产生的清理,移除无关的格式、改名、重构和注释改动。可按需加载 tdd(行为可表达为失败测试时)、implementation-logger(仓库现实迫使偏离已批准方案时)。
- 运行测试并检查边界情况:覆盖正常路径、相关失败路径、回归,以及日志、指标、成本等运维关注点,记录确切命令和决定性结果。完成条件是第一步的每个验证标准均有证据,所有失败已修复或作为明确阻塞上报。
- 记录所学:记录重要偏差、意外发现和可复用经验。在判断某条经验属于项目知识、交接文档还是临时会话笔记时,读取 ~/.ai-tools/implementation-notes.md。只记录非敏感理由;省略密钥、凭据、客户数据和敏感事件细节。可按需加载 qmd-knowledge(仅用于未来工作应检索的持久项目经验)。
- 自行复核最终结果:对照第一步的行为与约束通读每个改动文件,在宣布完成前解决正确性、安全、测试、文档和可维护性方面的发现。可按需加载 slop(AI 生成的杂乱内容)、code-review(约定与意图)、code-quality-review(结构风险)、pr-review(存在评审意见时)、commit-atomic(要求提交时)、quiz-me(用户想验证自身理解时)。
- 负责部署与维护:说明发布负责人、监控信号、回滚条件和后续义务;若部署不在任务范围内,则将其报告为剩余运维工作。可按需加载 draft-pull-request(被评审的改动需要 PR 时),同时保留部署相关检查和人类所有权。
使用方式
对每一个非平凡的 AI 辅助任务应用上述工作流,直接执行各步骤;仅当某个配套技能声明的分支条件成立时,才加载该命名技能。
适用场景
适用于涉及架构、安全、发布或运维决策的 AI 辅助工程任务,尤其是需要人工检查点的场合。
限制
资料未提供该技能适用的具体技术栈、平台限制、收费与价格信息;其效果、集成方式以及各项配套技能的详细内容也暂未提供。