华盛顿大学基因组科学系的一个实验室里，一段尘封多年的代码终于迎来了新生。这个名为Skyline的开源软件，拥有70万行C#代码，是研究人员检测和量化血浆、组织中蛋白质的重要工具。然而，随着开发者的更替，部分功能模块逐渐成为无人敢碰的"烂尾工程"，其中最棘手的是一个搁置了整整一年的文件视图面板。
首席开发者Brendan MacLean在这个项目上已经工作了近二十年，见证了无数开发者的来来去去。每当有人离开，留下的不仅是代码，还有只有他们自己知道的"潜规则"和项目细节。面对这个积压多年的技术债，Brendan决定尝试一种全新的方法——像带实习生一样训练AI来理解这个庞大的代码库。
他创建了一个独立的代码仓库pwiz-ai，专门存放给AI看的上下文资料。在根目录下，一份名为CLAUDE.md的文档详细描述了项目结构、编译方式和测试流程，相当于给AI的"地形图"。但这还不够，Brendan还开发了专门的"技能"模块，比如一个调试技能，强制AI在动手修改代码前先进行根因分析。通过这些努力，AI终于能够理解代码的用途，而不再是从零开始。
这个方法很快显现出成效。原本需要数年才能完成的技术债务清理工作，现在以惊人的速度推进。Brendan仅用不到一天时间就完成了一个搁置三年的功能模块，还顺便用CSS更新了页面布局。更令人惊讶的是，实验室里原本对AI编程工具最持怀疑态度的开发者，现在也使用Claude Code构建并发布了一个全新的数据可视化面板。
就在这个实验室取得突破的同时，科技界另一巨头OpenAI也公布了他们的解决方案——Symphony。这个开源项目在GitHub上迅速获得了超过1.8万个星标，其核心思路是将项目管理看板变成AI编程的控制中心。每个开放状态的问题都会自动分配一个AI代理，这些代理在独立工作区中持续运行，崩溃时自动重启，新任务到来时自动接手。
Symphony的独特之处在于它彻底改变了团队的工作方式。工程师不再需要盯着Codex会话，代码变更的"感知成本"大幅降低。想要尝试重构方案？只需提交一个工单，运行结果不满意就直接丢弃，成本几乎为零。甚至产品经理和设计师也能直接在系统中提出功能请求，无需克隆仓库或开启Codex会话，就能收到带有演示视频的评审包。
这两个项目虽然路线不同，但都在解决同一个核心问题：如何让AI在真实的工程环境中发挥作用。Anthropic选择深度路线，通过构建多层上下文让AI深入理解特定代码库；OpenAI则选择规模路线，通过编排层实现任务的自动分配和并行处理。有趣的是，两种方法最终都指向同一个结论：要充分发挥AI的潜力，关键不在于模型本身，而在于人类如何有效地"管理"AI。
正如Brendan所说："你不会把70万行代码库甩给一个新员工，然后指望他第一天就出活。"对AI也是如此。无论是通过详细的文档固化项目知识，还是通过编排系统固化开发流程，核心都是将人类的隐性知识转化为机器可读的显性资产。这两种方法各有适用场景，但都证明了一点：AI编程的真正瓶颈，已经从代码生成能力转移到了人类的管理能力上。
