Create a comprehensive plan: Start by working with the AI to write a detailed implementation plan in a markdown file
（创建详尽计划：首先与人工智能协作，在 markdown 文件中撰写详细的实施计划）
Review and refine: Delete unnecessary items, mark features as won't do if too complex
（审查与完善：删除不必要的条目，若功能过于复杂则标记为“暂不开发”）
Maintain scope control: Keep a separate section for ideas for later to stay focused
（保持范围控制：单独开辟一个区域记录后续想法，以保持专注）
Implement incrementally: Work section by section rather than attempting to build everything at once
（增量实施：逐段开展工作，而非试图一次性构建所有内容）
Track progress: Have the AI mark sections as complete after successful implementation
（跟踪进度：在成功实施后，让人工智能将对应部分标记为完成）
Commit regularly: Ensure each working section is committed to Git before moving to the next
（定期提交：在推进到下一部分之前，确保每个工作段都提交到 Git）
版本控制策略（Version control strategies）
Use Git religiously: Don't rely solely on the AI tools' revert functionality
（严格使用 Git：不要仅依赖人工智能工具的回退功能）
Start clean: Begin each new feature with a clean Git slate
（全新启动：每个新功能都从干净的 Git 状态开始）
Reset when stuck: Use git reset --hard HEAD if the AI goes on a vision quest
（陷入瓶颈时重置：若人工智能偏离方向，使用 git reset --hard HEAD 命令）
Avoid cumulative problems: Multiple attempts create layers and layers of bad code
（避免累积问题：多次尝试会产生层层糟糕的代码）
Clean implementation: When you finally find a solution, reset and implement it cleanly
（干净实施：当最终找到解决方案时，重置并干净地实施）
测试框架（Testing framework）
Prioritize high-level tests: Focus on end-to-end integration tests over unit tests
（优先高层测试：相较于单元测试，更关注端到端的集成测试）
Simulate user behavior: Test features by simulating someone clicking through the site/app
（模拟用户行为：通过模拟用户点击网站/应用来测试功能）
Catch regressions: LLMs often make unnecessary changes to unrelated logic
（捕捉回归问题：大型语言模型常对不相关逻辑进行不必要的修改）
Test before proceeding: Ensure tests pass before moving to the next feature
（测试后推进：在开展下一个功能前，确保测试通过）
Use tests as guardrails: Some founders recommend starting with test cases to provide clear boundaries
（将测试用作护栏：一些创始人建议从测试用例入手，以明确边界）
有效调试（Effective bug fixing）
Leverage error messages: Simply copy-pasting error messages is often enough for the AI
（利用错误信息：简单复制粘贴错误信息通常足以让人工智能处理）
Analyze before coding: Ask the AI to consider multiple possible causes
（编码前分析：让人工智能考虑多种可能的原因）
Reset after failures: Start with a clean slate after each unsuccessful fix attempt
（失败后重置：每次修复尝试失败后，从干净状态重新开始）
Switch models: Try different AI models when one gets stuck
（切换模型：当一个模型陷入瓶颈时，尝试不同的人工智能模型）
Clean implementation: Once you identify the fix, reset and implement it on a clean codebase
（干净实施：一旦确定修复方案，在干净的代码库上重置并实施）
AI 工具优化（AI tool optimization）
Create instructions files: Write detailed instructions for your AI in appropriate files (cursor.rules, windsurf.rules, claude.md)
（创建指令文件：在合适的文件（如 cursor.rules、windsurf.rules、claude.md）中为人工智能编写详细指令）
Local documentation: Download API documentation to your project folder for accuracy
（本地文档：将 API 文档下载到项目文件夹以确保准确性）
Use multiple tools: Some founders run both Cursor and Windsurf simultaneously on the same project
（使用多种工具：一些创始人在同一个项目中同时运行 Cursor 和 Windsurf）
Tool specialization: Cursor is a bit faster for frontend work, while Windsurf think longer
（工具专业化：Cursor 在前端工作上稍快，而 Windsurf 思考时间更长）
Compare outputs: Generate multiple solutions and pick the best one
（比较输出：生成多种解决方案并挑选最佳的一个）
复杂功能开发（Complex feature development）
Create standalone prototypes: Build complex features in a clean codebase first
（创建独立原型：首先在干净的代码库中构建复杂功能）
Use reference implementations: Point the AI to working examples to follow
（使用参考实现：将人工智能指向可遵循的工作示例）