Power Coding：用五大力学与五条防线管住 AI 编码 Agent

一位开发者在 Hacker News 分享了其个人项目 Power Coding：一套以纯 Markdown 文件组成的 AI 编码工程化框架，目标是让 Claude Code、Codex、Gemini CLI 等任意 AI 编程 Agent 在长周期项目中保持稳定输出。框架核心是把若干可靠性学科——航空航天与汽车业的 FMEA（失效模式与影响分析）、丰田生产方式（TPS）、吴恩达反复强调的「构建→评估→修订」回路——翻译成 Agent 每轮会话都能重读的指令文件，无需守护进程、无需 Hooks。

五大力学与对应防线

作者把 AI 辅助项目最容易失败的原因归为五种「力」，并为每一种设计了落地的 Markdown 协议：

歧义（Ambiguity）：Agent 自信地做出错误实现。对策「对齐」要求所有评估与扫描先读一页 PRD.md；任何会改变形状的增强前必须有架构签字；决策日志不允许沉默回滚；并设置「最小可行版本」刹车。
失忆（Amnesia）：每次新会话从零开始。对策「记忆」由 Handoff.MD 串联会话（在上下文耗尽前自动更新），Learning.MD 用「五个为什么」记录每个 Bug 的根因，git 检查点保证可回滚。
漂移（Drift）：「完成」没有证据。对策「回路」用 Loop.MD 在每次改动后跑免费评估并打 ✅/❌，并维护一组需人工授权的金标数据集；连续 3 次通过的评估可晋升为正式自动化测试。
不透明（Opacity）：看不到产出了什么、努力去了哪。对策「可视化」采用统一 Mermaid 流程图规范（单步单框、AGENT/FUNCTION 区分、真实阈值门槛），并提供独立 HTML 查看器与可选的本地调试面板；Session Pulse 用两行摘要标注本期精力花在「功能/支持/返工」哪一块。
熵增（Entropy）：静默失败累积到上线才暴露。对策「预见」用 FMEA 扫描把 diff 与 PRD、架构做交叉，按 Severity×Occurrence×Detection 计算 RPN 并划分 P0/P1/P2；Sentinel 扫描则以四视角（误用陷阱、停止信号、静默失败、浪费）在每次重大完成后做轻量巡检；同时内置「第一天」安全基线，禁止提交密钥、强制服务端校验、要求输入校验。

权限分层与触发机制

作者刻意把行为分成三档，避免「弹窗疲劳」让用户养成无脑点确认的坏习惯：

廉价且只追加的操作（Sentinel、Pulse、文件更新）—— 一次性启用后静默运行。
昂贵操作（完整 FMEA、金标/付费评估）—— 每次运行前请求授权，付费调用与免费评估必须分别同意。
会改变状态的操作（git 提交、架构变更）—— 提交可选择「自动 + 通报」或「先提案后批准」；架构变更则无论配置如何都必须等用户点头。

框架的运行原理也很简洁：Agent 只会稳定重读两类文件——平台指令文件与其指向的文件。安装时只需在 CLAUDE.md / AGENTS.md / GEMINI.md 写一段指针，把 Handoff.MD / Learning.MD / Loop.MD 等拉回上下文，靠冗余触发让规则在跨会话、跨模型时仍能生效。没有调度器，Agent 本身就是运行时。

安装与命令

Claude Code 用户执行 git clone https://github.com/APareek89/power-coding.git ~/.claude/skills/power-coding 即可；Codex、Gemini CLI 等只需把 SKILL.md 指向对应 skill/instructions 机制。主要命令包括 power-coding（首次跑设置、之后恢复职责）、power-coding brief（建立或更新 PRD）、power-coding fmea / sentinel / pulse（按需触发对应流程）以及各自的 config 子命令。仓库内还附带 secret-scan、Mermaid 校验脚本与 HTML 查看器。

整体来看，Power Coding 不是一个新模型或新基准，而是一套把传统工程可靠性实践「嵌入」到 AI 编码 Agent 上下文中的工作流协议，对长周期、多会话的 AI 辅助开发有参考价值。