一组简单数字揭示了 AI 编程工具的效率瓶颈：在 14 个目录、9 份 README 的测试中，AI 找对目标文件的比例从 35.7% 升至 64.3%。这说明比起换更强模型，先补齐代码仓库的“地图”，可能更能减少误改。

这是什么

这套方法把 README 从项目介绍改造成目录索引（用文件清单说明某层代码的职责和边界），并在每个子目录分别维护一份。推荐规则是：先读目标目录及上一级 README，再开始修改；每份只描述直系文件和直接子目录，避免重复记录。

它不依赖新框架或插件，核心是要求 AI Coding（让 AI 阅读、修改代码）在行动前先获取上下文（围绕当前任务所需的背景信息）。AI 因此少做无目的的文件搜索，也能更清楚地知道某段逻辑应放在哪一层。

行业怎么看

我们认为，这比单纯要求 AI“仔细一点”更可靠，因为它把隐含的团队规则变成可读取的文件，也便于新人理解系统。不过，64.3% 仍远非可靠自动化水平；README 过期、职责重叠或描述含糊时，AI 同样可能被错误索引带偏。

另一个风险是维护成本。目录和职责持续变化，文档若没有负责人和更新机制，很快会变成第二套过时信息源。更稳妥的落地顺序是：先覆盖核心目录，再把缺失检查接入持续集成（CI，自动检查代码变更的流程），而不是一次写完整仓库。

对普通人的影响

对企业 IT：它为 AI 编程增加了一道低技术门槛的治理环节，适合先在权限清晰、测试完善的内部项目试点，而非直接接管核心系统。

对个人职场：使用 AI 编程工具的人会更有必要补齐目录说明；能否写出明确职责边界，将逐渐影响团队采用 AI 的效率和可信度。

对消费市场：它不会直接催生新的软件功能，但可能间接降低代码维护成本，让更多中小团队用得起 AI 编程服务。