继 Claude Code 核心工程师 Thariq Shihipar 在 AI Engineer 大会的演讲后，7 月 3 日，他将内容深化为实战攻略，发布 24 小时内阅读量突破 150 万。
此前文章探讨了“提示词过多反而限制模型发挥”的核心理念。本文则聚焦具体执行流程：从编码前的准备、过程中的记录，到完成后的验证，构建了一套完整的闭环方法论。
识别四类信息盲区
Thariq 将人与 AI 之间的信息差划分为四个层级：
- 已知且已告知 AI：理想状态，协作顺畅。
- 已知未想清楚：风险可控，可主动向 AI 提问。
- 熟知但默认无需说明：潜在风险点。人类认为理所当然的背景知识，AI 可能完全缺失。
- 未知的未知：最致命的盲区。用户甚至无法提出正确的问题。
高效使用 AI 的关键，不在于提示词技巧，而在于尽可能消除上述四类盲区。
实操流程：从盲区扫描到代码合并
第一步：动手前的“盲区扫描”
在任务启动初期，先让 AI 协助找出“未知的未知”。以 Thariq 制作 Fable 5 发布视频为例，他需要调色却缺乏相关知识。若直接让 AI 生成方案，他因缺乏审美标准而无法决策。正确的做法是：先让 AI 讲解调色基础知识，填补认知空白后，再提出精准需求。此方法同样适用于设计、剪辑等非代码领域。
第二步：低成本原型验证
利用 AI 快速搭建包含假数据的 HTML 原型页面，仅关注布局与交互逻辑，暂不涉及后端。视觉需求难以通过文字精确描述，但面对多个具象化方案，决策效率将大幅提升。此阶段修改成本极低，能有效避免后期因方向错误导致的推倒重来。同时，借助 AI 进行头脑风暴，可拓展思路，防止过早锁定单一方案。
第三步：反向“面试”与参照物对齐
原型确认后，让 AI 针对架构关键点向开发者提问。在回答过程中，模糊的需求将被迫清晰化，AI 往往能挖掘出开发者未曾考虑的问题。此外，提供同类功能的现有代码（即使语言不同，如 Rust 参考 TypeScript）作为参照物，比编写长篇说明书更为高效。
第四步：过程记录与上下文沉淀
编码过程中，建立临时笔记文件，实时记录计划外的变动与决策。项目结束后复盘，这些偏离计划的记录并非失败，而是下一次迭代的重要上下文依据。
第五步：代码合并前的“人类测试”
代码完成后，切勿急于合并。要求 AI 生成包含改动背景、逻辑及影响范围的完整报告，并附带测试题。核心原则是：让 AI 测试开发者，而非测试代码。只有当开发者能准确回答所有关于改动的疑问后，方可合并代码。这一机制确保了开发者对每一行代码变更的完全掌控。
案例验证：Fable 5 官方视频全流程
Fable 5 官方发布视频从零开始，涵盖剪辑、字幕及调色，全程由 Claude Code 辅助完成。Thariq 在无视频剪辑经验的情况下，遵循上述流程：先确认技术可行性，搭建原型验证音画同步，发现调色盲区后立即补课，最终高质量交付成品。
结语
随着模型能力增强，长任务执行失败的原因往往不在模型本身，而在人类的认知盲区。无论是盲区扫描、原型验证还是反向面试，其本质均指向同一目标：在 Token 成本高昂之前，以最低代价厘清“你不知道什么”。