AI Native 是一套完整的研发方法论，它将 AI 从辅助工具升级为研发流程的核心参与者。 通过结构化的知识工程、标准化的工作流和多层质量防线，让 AI 在需求分析、架构设计、编码实现、测试验证的全链路中发挥最大价值。
核心理念：人类掌舵，AI 执行。人类负责决策、审查和创新，AI 负责分析、生成和执行， 形成高效、安全、可持续的人机协作模式。
<aside> 💡
需求提问模版：
功能开发
/using:superpowers tdd
## 目标
（一句话说清这个功能要解决什么问题）
## 具体要求
- 要求 1
- 要求 2
## 验收标准
- [ ] 可验证的结果 1
- [ ] 可验证的结果 2
## 参考 / 约束
（相关的现有代码、设计稿、不能碰的地方）
调研/技术选型
## 要回答的问题
（明确的、可回答的问题，不要"研究一下 X"）
## 对比维度
- 维度 1（如性能）
- 维度 2（如接入成本）
## 输出形式
（要一份对比表？一个推荐结论？）
BUG修复
## 现象
（什么情况下出错，报什么错）
## 复现步骤
1. ...
2. ...
## 期望行为
（本该是什么样）
## 已知线索
（你怀疑的原因、相关日志、涉及的模块）
UI布局调整
## 现象
（当前页面哪个区域的布局不对，截图或描述）
## 期望效果
（应该长什么样——贴设计稿链接、截图、或文字描述）
## 具体要求
- 涉及的组件/页面路径
- 屏幕尺寸/断点要求（如 mobile 375px、tablet 768px）
- 对齐、间距、层级等具体数值（如果有）
## 约束
- 不要改动其他页面的样式
- 保持现有的组件结构 / 不要引入新依赖
## 验收标准
- [ ] 在 X 分辨率下显示正确
- [ ] 在 Y 分辨率下自适应正确
- [ ] 不影响其他页面
动画卡顿优化
## 现象
（哪个交互/动画卡顿，什么设备上复现）
## 策略：删光再逐步加回
不要在现有代码上猜原因。先把该功能的实现全部删除/注释掉，
确认基线流畅，然后一小步一小步加回，每步人工验证。
## 执行步骤
1. **清空基线**：删除/注释该功能的全部代码，确认页面流畅
2. **第 1 步**：只加回最小骨架（如空容器、静态结构），验证 ✅/❌
3. **第 2 步**：加回一个子功能（如数据绑定），验证 ✅/❌
4. **第 3 步**：加回下一个子功能（如动画/过渡），验证 ✅/❌
5. ...逐步递增，直到卡顿复现
6. **定位**：最后一步加的就是根因，针对性修复
## 关键规则
- 每步只加一个变量，不要一次加两个东西
- 每步加完必须停下来等人工确认，不要自动继续
- 确认卡顿复现后，不要急着改——先报告是哪一步引入的
## 验收标准
- [ ] 最终功能完整恢复
- [ ] 动画流畅无掉帧
- [ ] 定位到的根因有明确说明
重构
## 要解决的问题
（为什么要重构——代码重复、逻辑散落、难以测试、性能瓶颈）
## 范围
- 涉及的文件/模块
- 不动的部分
## 重构目标
- 具体的结构改进（如合并 3 个重复函数为 1 个）
- 不改变外部行为
## 验收标准
- [ ] 现有测试全部通过
- [ ] 功能行为不变
- [ ] （如有）新增测试覆盖重构部分
结果不对
## 现象
（哪个数据不对，实际值 vs 期望值，举一个具体例子）
## 复现条件
- 输入数据 / 请求参数：...
- 数据来源（接口 / 本地计算 / 数据库）
## 期望结果
（正确值是多少，计算公式或业务规则是什么）
## 已知线索
- 接口返回的原始数据（贴 JSON 片段）
- 怀疑出错的环节：取数 / 转换 / 聚合 / 展示
- 是否只在特定条件下出错（如特定时间范围、特定用户）
## 排查范围
（涉及的接口、函数、数据表）