Anthropic 于 2026 年 10 月 13 日发布的工程博客披露，其核心单一代码库（monorepo）在五个月内由 git 迁移至自研版本控制系统 Scion：日均合并量由 5 月的约 2,500 次增至 9 月的 3 万次以上，浅克隆、稀疏检出、promisor 远程与内部镜像等既有缓解手段相继失效。Scion 据此确立六条设计原则，以变更集（changeset）为基本工作单元并递归计算派生数据，构建三层读路径与只表达所需的拉取协商；官方实测显示 status 耗时由 3.9 秒降至 19 毫秒。

以 coding agent 或规格驱动开发完成一轮开发后，仓库常沉积阶段标记、过程叙事与一次性报告，其与设计理由、协议约束等持久工程知识混杂，误删代价高于噪声留存。既有工具多基于引用图分析，diff 作用域的 AI slop 清理工具则以删除为主。RepoMeld 以审计与应用间的阶段屏障约束改动顺序，按语义边界分片，以 L0-L5 风险分级限定自动范围，迁移持久工程知识，注释补写列为一等动作，默认保留未完成 TODO，以独立上下文验证 diff，不绑定运行时。其范围限于元数据、注释、文档与非运行时产物，效果取决于宿主模型能力。

工程约束要生效，先要能被编码 Agent 正确消费。本文沿载体、协作与本地化三条线整理可执行做法。载体侧梳理 AGENTS.md 的就近优先规则与各编码工具的加载与注入机制，给出按对象区分的行数上限与写、不写的判据，并论证流程说明应避免 ASCII 字符图，改用拍平后语义仍可唯一还原的结构。协作侧以 Anthropic 的 token 倍数、子代理的上下文与描述告警、Cognition 的反方观点为坐标，给出结论进主对话、证据留在子代理的审查协议。本地化侧给出把工程原则转化为项目规则的提示词流程与验收方式。

给模型一句模糊目标就动手，产出的代码通常与真实意图错位；先写 spec 再执行，也可能以最快速度实现无人需要的功能。两类失败的成因都是目标没有在动手之前对齐。本文把“对话-计划-分条-执行”整理为一条对齐路线：对话阶段用追问与反向访谈问出真实约束，计划阶段写定验收标准与执行顺序，分条阶段按依赖与接口切分，执行阶段交给模型自主循环。本文结合 Lost in the Middle、context rot、GitClear、DORA 等公开数据，说明对齐为何要发生在上下文预算最充裕的时候，并给出失效方式与不划算条件。

以 SkillHive 为例，讨论 AI Skill 管理系统的设计思路，包括私人 Skill、模板、群组协作、全局 Skill、版本记录、权限检查和审计机制。在此基础上，进一步分析企业环境中的 Skill 生命周期、元数据管理、授权边界、质量控制、责任分工和数据治理逻辑，并说明相关设计在软件分层、事务处理、状态管理和管理员决策中的影响。

以一个 Tauri 桌面应用的数据库管理页面开发为案例，走通 Agent 从需求接收、项目理解、计划、执行、验证到人工审查的全流程。每个阶段讨论了 Agent 能做什么、容易在哪出错、需要开发者做什么。厘清 vibe coding 的适用边界：原型和 CRUD 可以 vibe，支付、权限、加密、数据库迁移、复杂并发和不可回滚操作必须走严谨工程。开发者角色从执行者变为定义目标、设置约束、审查输出和控制风险的决策者。

用一个三层框架帮助工程师理解大模型在软件开发中的应用。基模型层是发动机，只生成文本不执行 IO。中间层是传动系统，管理上下文、工具调用、协议和权限。应用层是驾驶舱，封装为 IDE 插件、CLI Agent 等产品形态。文章逐一梳理了 GPT-5.5、Claude Opus 4.8、Gemini 3.1、Qwen3.7-Max、Kimi K2.6、GLM-5.1 和 DeepSeek-V4 的官方信息，并讨论了跨层误解的常见来源和诊断方法。