AI SDD 开发规范-28-AI 执行复盘与认知演化记录（Post-Execution Learning）

老马啸西风2025/12/27大约 3 分钟

工程级、可直接落地的《AI_EXECUTION_RETROSPECTIVE

它的定位非常清晰：

这是“AI 行为的复盘文档”，不是功能复盘、也不是事故复盘，而是：
用来让整个 AI 编码体系“长期变聪明”的机制。

AI 执行复盘与认知演化记录（Post-Execution Learning）

本文档用于在 一次 AI 编码任务完成（无论成功或失败）之后，
对 AI 的理解、决策、执行与 Gate 表现进行系统性复盘，
并将可复用的经验反哺到规则、Snapshot 与 Gate 体系中。

任务 / 需求编号：
Snapshot ID：
AI 执行时间：
涉及分支 / PR：
最终结果：成功 / 回滚 / 部分接受 / 拒绝

原始目标：
- 解决什么问题
- 不做什么

最终完成了什么：
- 功能层面
- 技术层面

是否存在以下情况：
- [ ] 目标理解偏差
- [ ] 执行范围扩大
- [ ] 风险判断失误
- [ ] Gate 后置发现问题

关注：AI 在“开始写代码前”，哪里理解错了或理解不充分

Snapshot 中是否存在模糊点？
- 是 / 否
如果是，具体是：

AI 是否做了未经授权的假设？
- 是 / 否

结论：

这是 Snapshot 的问题 / Prompt 的问题 / AI 行为问题

关注：AI 在“写代码过程中”的行为模式

AI 是否严格遵守执行节奏？
- 是否出现一次性大改
- 是否主动中断不确定点

是否出现典型越权行为？
- 顺手优化
- 隐性重构
- 扩大职责

关注：问题是“没被拦住”，还是“拦得太晚”

问题首次被发现在哪一层 Gate？
- Gate 0 / 1 / 2 / 3 / 4

是否存在：
- 本应更早发现，但 Gate 缺失？
- 本应通过，但 Gate 误判？

如果该问题进入线上，可能后果：
- 数据风险：
- 业务风险：
- 运维风险：

当前体系是否低估了该风险？
- 是 / 否

强烈建议只选 1～2 个主因，避免“什么都是原因”

主因类型（勾选）：
- [ ] Snapshot 信息不足
- [ ] 隐性知识未显性化
- [ ] 执行期 Prompt 约束不够
- [ ] Gate 覆盖不足
- [ ] AI 行为不可预测（模型能力问题）

这是整份文档最重要的部分

是否需要新增 / 加强规则？
- 新规则描述：
- 生效位置（Snapshot / Execution / Gate）：

是否应在 Snapshot 中补充：
- 新的禁止项？
- 新的隐性知识？
- 新的失败不可接受场景？

是否需要新增 Gate 检查？
- 新 Gate 或新校验项：
- 理想触发时机：

这是一次偶发问题，还是可复用模式？
- 偶发 / 可复用

如果可复用：
- 适用场景：
- 可抽象为规则 / 模板 / Prompt？

本次执行对 AI 信任度的影响：
- 提升 / 不变 / 降低

是否影响未来授权级别？
- 是 / 否

用一句话总结：

本次 AI 执行暴露的核心问题是：
我们将通过 XX 改进，避免其再次发生。

RETROSPECTIVE
   ↓
规则 / Snapshot / Gate 更新
   ↓
下一次 AI 执行

如果复盘不反哺系统，这份文档没有任何价值。

AI 的失败不是“用错模型”，
而是“系统没有教会它该怕什么”。