一、问题概述
在使用 Claude Code 等 AI 编程助手时，开发者会遇到一些特定的状态词和行为模式。这些术语描述了 AI 在推理、编码和交互过程中的各种行为特征。理解这些状态有助于更好地使用 AI 编程工具。
二、核心元素与状态词
2.1 Zigzagging（曲折推理）
定义：Zigzagging 是指 AI 在解决问题时表现出的"来回反复"推理模式。
特征表现：
- AI 在不同解决方案之间来回切换
- 尝试一种方法后发现问题，然后转向另一种方法
- 在多个文件或代码片段之间反复跳转
- 推理路径呈现"前进-后退-再前进"的模式
产生原因：
- 上下文限制：AI 无法一次性记住所有相关信息，需要反复查阅
- 试错过程：AI 通过尝试不同方案来找到最优解
- 依赖关系复杂：当问题涉及多个相互关联的模块时，需要在它们之间来回协调
优化策略：
- 将大任务拆解为小步骤，减少 zigzagging 的幅度
- 使用 plan mode 先进行完整规划
- 提供更充分的上下文信息，减少 AI 的反复探索
2.2 Oscillation（震荡）
定义：AI 在两种或多种状态/方案之间持续摇摆，无法收敛到解决方案。
特征表现：
- 重复尝试相同的错误方法
- 在两个对立的实现方案之间反复切换
- 陷入"修改 A 导致 B 出错，修复 B 又导致 A 出错"的循环
与 Zigzagging 的区别：
- Zigzagging 是有目的的探索过程，最终会找到解决方案
- Oscillation 是无意义的循环，需要外部干预才能打破
2.3 Drift（偏移/偏离）
定义：AI 在处理任务时逐渐偏离原始目标或约束条件。
特征表现：
- 开始时正确理解任务，但后续实现逐渐走样
- 遗漏了早期的约束条件
- 过度设计，添加了不需要的功能
应对策略：
- 在提示词中明确列出"不要做"的事项
- 定期让 AI 回顾原始需求
- 使用阶段性检查点验证方向是否正确
2.4 Hallucination（幻觉）
定义：AI 生成看似合理但实际错误或不存在的内容。
特征表现：
- 引用不存在的 API 或函数
- 编造代码行为或语法
- 对代码库结构的错误假设
应对策略：
- 要求 AI 不确定时主动提问而非编造
- 提供准确的文档和代码上下文
- 使用"no hallucination"规则提示
2.5 Context Overflow（上下文溢出）
定义：AI 的上下文窗口无法容纳所有必要信息，导致早期内容被遗忘。
特征表现：
- AI 重复修改同一个地方
- 忽略了对话早期约定的规则
- 对已经讨论过的问题重新提出
应对策略：
- 使用 Claude 的 Projects 功能加载整个仓库
- 定期总结当前状态
- 使用 worktree 隔离不同任务
三、系统元素与相互作用
3.1 系统组成
AI 编程系统由以下核心元素构成：
| 元素 | 描述 | 作用 |
|---|---|---|
| LLM 核心 | 语言模型本体 | 生成代码、理解需求、推理逻辑 |
| 上下文管理器 | 管理 token 和对话历史 | 维护对话连贯性，避免遗忘 |
| 工具调用层 | 文件读写、命令执行等 | 与开发环境交互 |
| 权限控制 | Plan/Auto-Accept/Normal | 控制执行权限和安全级别 |
3.2 元素相互作用
┌─────────────────────────────────────────────────────────┐
│ 用户输入需求 │
└────────────────────┬────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────┐
│ 上下文打包 (Context Packing) │
│ - 相关代码文件 │
│ - 技术约束条件 │
│ - 项目规范和风格指南 │
└────────────────────┬────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────┐
│ LLM 推理层 │
│ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ │
│ │ 理解意图 │→ │ 生成方案 │→ │ 自我审查 │ │
│ └──────────────┘ └──────────────┘ └──────────────┘ │
│ ▲ │ │
│ └────────────────────────────────────┘ │
│ (反馈循环) │
└────────────────────┬────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────┐
│ 工具执行层 │
│ - Edit/Write 文件操作 │
│ - Bash 命令执行 │
│ - Git 操作 │
└────────────────────┬────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────┐
│ 结果验证 │
│ - 测试运行 │
│ - Lint 检查 │
│ - 人工审查 │
└─────────────────────────────────────────────────────────┘四、常见问题与解决方案
4.1 问题分类矩阵
| 状态词 | 根本原因 | 解决方案 |
|---|---|---|
| Zigzagging | 任务过大、上下文不足 | 任务分解、提供完整上下文 |
| Oscillation | 约束冲突、逻辑矛盾 | 明确优先级、人工干预 |
| Drift | 约束不清晰、时间过长 | 定期回顾、设置检查点 |
| Hallucination | 训练数据偏差、知识盲区 | 提供 API 文档、要求确认 |
| Context Overflow | 对话过长、信息过载 | 新会话、总结压缩 |
4.2 最佳实践
规划先行（Specs Before Code）
- 先让 AI 帮助生成详细的规格文档
- 创建清晰的实施计划
- 定义测试策略
小步迭代（Small Chunks）
- 将大任务拆解为可管理的小步骤
- 每个步骤完成后进行验证
- 频繁提交代码作为"存档点"
上下文丰富（Context Packing）
- 使用 @ 引用相关文件
- 提供 API 文档和代码示例
- 明确告知哪些信息不可用
人工在环（Human in the Loop）
- 不要盲目信任 AI 输出
- 审查每一处代码变更
- 运行测试验证功能
使用 Plan Mode
- 对于复杂任务使用规划模式
- 让 AI 先分析再行动
- 逐步确认实施方案
五、总结
AI 编程中的各种状态词本质上反映了 AI 推理过程的特征。理解这些术语有助于：
- 识别问题：快速诊断 AI 遇到的困难类型
- 优化交互：采取针对性策略提高效率
- 管理预期：了解 AI 的能力和局限性
核心原则是：将 AI 视为需要明确指导和持续监督的强大助手，而非可以完全自主的开发者。通过提供清晰的上下文、合理的任务分解和及时的人工干预，可以最大程度发挥 AI 编程的价值。
参考资料：