OpenAI 发布了一篇 "GPT-5 编码指南", 给出了6条使用GPT-5进行AI编程的最佳实践：
# 1. 指令应精确，避免信息冲突
新款GPT-5模型在遵循指令方面的能力有了显着提升，但这也带来一个副作用：当面对模糊或相互冲突的指令时，它可能会难以处理。这种情况在你的 .cursor/rules 或 配置文件中尤其需要注意
# 2. 设定合适的推理级别
GPT-5 在解决问题时总会进行一定程度的推理。若想获得最佳效果，处理复杂任务时应使用 "high reasoning effort" 。如果你发现模型对简单问题有“想太多”的倾向，可以给出更具体的指令，或选择 medium 或 low 的推理级别
# 3. 使用类似XML的语法来帮助结构化指令
我们与Cursor合作发现，使用类似XML的语法可以为模型提供更多上下文，从而使GPT-5更好地工作。例如，你可以给模型以下编码指南：


- 每个组件都应该是模块化和可重用的


- 样式：TailwindCSS


# 4. 避免使用

为啥我用AI结对编程的感觉是，它能给我的输入比输出要有价值的多😅
经常让它帮我在开源代码仓库里找有价值的信息、梳理系统架构，总能给我非常不错的体验
但如果让它写代码体验就很差，它写的代码不放心，自己得review一遍，review完总能发现一些或大或小的问题，然后就得不断修修补补
难道这就是古法编程程序员在面对vibe coding时最大的障碍：不敢放手😂
而且这和带实习生感觉还不一样，聪明的实习生磨合一阵就会越带越顺手了，我知道实习生会犯错，但也知道他会成长。但AI不会啊，它的全局记忆都需要我给它灌😤

那么如果推理速度快20倍，我们vibe coding的方式会有什么变化呢？

我感觉随着AI编程工具的发展，我对MCP工具的理解也在改变
之前常用的 sequential thinking、task_manager，现在随着模型计划和推理能力的提升，有了plan mode和think harder/ultrathink，我更愿意在原生工具内部完成，而不是借助mcp
另一类是context7、deepwiki这类上下文增强工具，对于上下文工程，我需要更加精细化和准确，这类mcp目前还无法达到这个要求。所以我更倾向于自己深度整理而不是使用mcp
上下文整理的过程可能会借助Deep Research和NotebookLM等外部工具，在代码之外，先收集好高质量、且足够全面的上下文
还有一类能提高测试效率和准确度的mcp工具我是推荐的，比如playwright mcp
总结一下就是，mcp工具应该作为AI编程能力的延伸，就像手脚的作用，而不是增强大脑

Deep Research解决“构建什么”的产品化决策问题，它兼具深度和广度，帮助我们打破信息茧房，看清方向
Claude Code帮助解决具体的实施细节，让我们有精力更focus在系统架构、模块拆分和重构这些high level层面，提升迭代和试错效率
未来肯定会有更先进的AI生产力工具，但以上三步我认为应该是不变的底层逻辑

MCP出来这么久了，真正能用的好像没几个？
我指的能用指的是对于AI编程，能够稳定且高频使用，对编程效果有实质性提升的
分享几个我认为还可以的：playwright、Context7、Sequential Thinking
前两个解决上下文准确性问题，第三个解决规划思考

程序设计领域，有一个词叫“bad smell”
说的是对于有经验的程序员，应该能嗅到系统中的“坏味道”，而提前预防，进行架构优化和升级
还有一个词叫“过度设计”
就是说一开始想的太多，设计了很多没有必要的可扩展性和模块解耦，带来庞大且无用的维护成本，反而容易引入bug
这两个词，都是需要放在时间和语境里来看的
没有最好的架构设计，只有最合适当下（以及未来一段时间）的架构设计
这个度的把握，目前的AI还远远做不到
但是引入AI之后，让我们能用更多的时间来思考架构，去在合适的时机进行重构、解耦、拆分或合并
这就是人的价值

程序员最喜闻乐见的就是，各大AI厂商卷上天😂
刚注册了下Jules，好像可以免费试用

Google家又要放大招了？

vibe coding真的要在懂编程的人手里才有作用，不懂的就是💩山和各种安全漏洞😅

非常棒的经验，内容营销、流量、获客、转化、品牌、设计、竞争壁垒、合作放大，各个方面都需要思考和执行
AI时代，最不缺的就是idea和研发能力了😂