一个跨三个仓库的需求

我最近接到一个挺典型的需求：数据集管理里，“文档核验"这个动作要留痕：谁核验的、什么时候核验的；核验完还要能按数据集分页翻历史记录；管理后台加一个"核验记录"入口，点击弹列表，下拉就能一直加载；上层的知识库问答服务也要同步暴露这个列表接口。

这个需求横跨三个仓库：数据集管理服务、数据管理后台、知识库问答服务。

以前这种需求在我这儿是这么过的：拉群对齐需求 → 各写各的需求文档 → 前后端各自开工 → 联调时发现字段名对不上、分页参数叫法不一样 → 返工。现在我用 Claude Code 的 superpowers 工作流走了一遍完整流程，发现整个链条可以压缩成四步：brainstorming 聊需求 → 方案对比 → 写 spec → 生成实施计划。

flowchart LR
    A["brainstorming 聊需求"] --> B["方案对比"] --> C["写 spec 落盘"] --> D["生成实施计划"] --> E["add-dir 挂三仓并行落地"]

第一步：先探索代码，再开口问

superpowers 的 brainstorming 第一步不是问"你想要什么”，而是先看项目上下文：路由注册在哪、handler 怎么写的、DAO 用的什么 ORM、前端页面结构、有没有现成的分页组件。

我让 Claude 把两个仓库都翻了一遍，结论：

• 数据集管理服务是 Hertz + GORM 的架构，核验逻辑在文档服务的 revise 方法里，文档表上已经有一个"核验状态"字段，核验时会把它置为"已核验"
• 管理后台是 React + antd，代码里已经有现成的 useInfiniteScroll 下拉加载 hook，数据详情页结构也很清晰

这一步的价值在于：问题基于真实代码，而不是基于想象。我不用花十分钟给 Claude 讲架构，它自己读出来的上下文，比任何人的转述都准确。比如"核验状态字段已经存在"这个事实，直接影响了后面的设计：记录表和状态字段是两回事，但很多人第一版设计会混在一起。

第二步：一次只问一个问题

brainstorming 最反直觉的一条规则是：一次只问一个问题。

我一开始也觉得慢。但跑下来发现，需求是逐层展开的：先问"核验记录需要存哪些字段"，确定存核验人和核验时间；再问"列表按什么过滤"，确定按数据集 ID；再问"前端入口放在哪"，确定放数据详情页。每个答案都会修正下一个问题，一次抛十个问题，模型只能靠猜排优先级，猜错一半就得返工。

对话节奏大概是这样的（简化示意，实际要比这细致）：

我：核验记录需要展示哪些字段？ Claude：先确认一下，除了核验人和核验时间，要不要把核验前后的版本号也存下来？这会决定表结构。 我：先只存核验人和核验时间，跑通第一版。 Claude：好。那列表接口按数据集 ID 过滤、支持分页返回，这个方向对吗？

一次一个问题看着慢，其实最快：每个问题都建立在之前答案的基础上，方向不会歪。

第三步：给 2-3 个方案，而不是直接开写

需求聊清楚之后，brainstorming 会要求给出 2-3 个实现方案对比。这个需求当时有两个主流方案：

• 方案 A：复用现有的行为记录表。那张表是 JSON 半结构化的流水表，加一种行为类型就能记录，不用建新表。
• 方案 B：新建独立的核验记录表。字段干净，查询直接，列表接口就是一条简单的 WHERE dataset_id = ? 分页查询。

我选了 B。核验记录是高频查询的业务动作，独立表让列表接口简单直接；方案 A 虽然少建一张表，但查列表要拆 JSON，而且行为流水表的数据量会持续膨胀，不适合做业务查询的底座。

选完方案，设计按块确认：表结构一块、接口定义一块、前端改动一块、上层同步一块，确认完再写进 spec 文档，落盘到 docs/superpowers/specs/ 目录下。这份文档是后续实施计划的输入，也是代码评审时对照的依据：评审不再靠记忆，而是对着 spec 逐条核对。

第四步：add-dir 多项目，前后端同时动

设计获批后进入实施阶段。Claude Code 的 add-dir 可以把多个项目目录加进同一个会话，这个需求一次挂了三个目录：

• 数据集管理服务：建表、在核验接口里写记录、新增分页列表接口
• 管理后台：数据详情页加入口、列表抽屉、下拉加载
• 知识库问答服务：同步暴露列表接口

多目录的意义不只是"能改多个仓库"，而是 AI 同时持有两边的上下文：字段名、接口路径、分页参数天然一致，联调成本趋近于零。以前前后端联调要查半天"到底叫 page 还是 current"，现在在计划阶段就把契约定死了，代码照着写就行。

几个真实的感受

• 一次一个问题反直觉，但确实是最快的提问方式。需求是逐层展开的，一次一个才能保证每个问题都有价值。
• 探索比提问重要。让 AI 先读代码，它问出来的问题才有质量；不探索就问，问的都是网上搜得到的通用问题。
• 设计文档不是走流程。跨仓库改动里，它是唯一让所有人（包括几周后的你自己）对齐的锚点。代码评审对着 spec 审，比对着记忆审靠谱一个量级。
• YAGNI。AI 很容易过度设计，比如顺手提一句"要不要顺便做个操作审计"。不需要，砍掉。每个设计阶段都要主动问：这个功能现在真的需要吗？

建议

如果你也在用 AI 写代码，别只停留在"让它写函数"的层面。试试把流程也交给它：从一个小需求开始，完整走一遍 brainstorming → 方案对比 → spec → 计划 → 实现。第一次会不习惯"一次只问一个问题"，但跑完一个需求你就会发现，多花在澄清上的半小时，会在联调阶段加倍省回来。