1. 项目概述:GSD如何解决AI编程中的上下文腐烂问题
在AI辅助编程领域,我们正面临一个日益严重的挑战:随着项目规模扩大,代码上下文(window)快速膨胀导致AI输出质量下降。这种现象被业界称为"上下文腐烂"(Context Rot)——当AI需要处理的代码量超过其上下文窗口限制时,早期关键信息会被逐渐稀释,就像人类在嘈杂环境中难以集中注意力一样。
GSD(Get Shit Done)这个开源工具的出现,为这个问题提供了系统性的解决方案。它通过结构化的工作流程,将开发过程划分为四个明确阶段:讨论、规划、执行和验证。每个阶段都在独立的上下文中运行,确保AI始终以"清醒状态"处理当前任务。这种设计理念类似于人类工作中的"番茄工作法",通过划分专注时段来提升效率。
目前该项目已在GitHub上获得5.2万星标,被Amazon、Google、Shopify等科技公司的开发团队采用。其核心价值在于:不是单纯依赖AI能力的提升,而是通过优化工作流程来最大化现有AI模型的效能。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心架构解析:四阶段工作流设计
2.1 讨论阶段:需求澄清的艺术
执行/gsd-new-project命令启动项目时,GSD会采用苏格拉底式的提问方式,通过多轮对话彻底澄清需求。这个阶段的关键在于:
- 需求文档生成:自动输出包含用户故事(User Stories)、验收标准(Acceptance Criteria)和技术约束的规范文档
- 模糊点识别:使用
/gsd-discuss-phase命令标记所有不确定的决策点,如API设计、错误处理策略等 - 上下文隔离:所有讨论记录会单独保存,不会污染后续阶段的上下文
实际案例:当开发一个电商支付功能时,GSD会追问:"支付失败后的重试机制应该遵循什么策略?最大重试次数是多少?是否需要有渐进式延迟?"这些问题的答案会形成明确的决策记录。
2.2 规划阶段:原子化任务分解
/gsd-plan-phase命令启动的规划阶段,展现了GSD最强大的架构能力:
- 领域调研:自动检索相似项目的开源实现,分析最佳实践
- 任务分解:将功能需求拆解为平均耗时2小时左右的原子任务
- 依赖分析:建立任务依赖图(DAG),识别可并行化的部分
- XML结构化:每个任务用特定格式描述:
xml复制<task id="auth-001">
<description>实现JWT令牌生成</description>
<input>用户ID、角色信息</input>
<output>符合RFC 7519标准的令牌</output>
<constraints>有效期24小时,使用HS256算法</constraints>
</task>
技术细节:依赖分析使用拓扑排序算法,确保任务顺序合理。XML结构中的每个字段都经过精心设计,为AI提供最大化的明确指引。
