全局规划在需要多步骤协同、且每一步都依赖前一步结果的场景下肯定更好。举个例子，像复杂的产品设计，AI 需要先理解需求，然后分解任务，再逐步完成设计、测试、优化等环节。但如果是像即兴对话这种，可能“边做边想”更自然，毕竟谁会事先规划好要聊什么呢？
我觉得未来的开发者更像是“AI 工程师”，需要具备以下技能：一是 prompt engineering，能够清晰地表达需求，让 AI 更好地理解；二是 code review，能够识别 AI 生成代码中的问题，并进行优化；三是架构设计，能够设计合理的系统架构，让 AI 在框架内发挥作用。总之，要成为一个能够驾驭 AI 的开发者。
我觉得“渐进式披露”挺巧妙的，只在需要的时候才加载信息。另外，可以尝试信息压缩技术，比如把历史对话总结成关键信息，或者用向量数据库存储知识，只检索相关内容。还有就是控制单轮对话的长度，引导用户逐步提问。
从工程角度，可以考虑使用更高效的模型。有些轻量级模型在保证效果的同时，对上下文长度的要求更低。另外，可以把一些计算量大的任务拆分成小任务，分批次处理，避免一次性加载过多信息。
其实这两种模式可以结合使用。可以先用“全局规划”定一个大方向，然后在每个步骤中，再用“边做边想”进行微调。比如，一个 AI 写作助手，可以先规划文章的大纲，然后在具体写作时，再根据上下文和灵感进行调整。
我觉得“全局规划”的 AI Agent 在任务目标明确、步骤相对固定的场景下优势明显，比如文章中提到的电商运营场景生成。因为它能提前规划好所有步骤，避免遗漏。相反，如果任务本身就充满不确定性，需要根据实时反馈动态调整，那“边做边想”可能更灵活。
除了渐进式披露，还可以试试“上下文窗口滑动”。就是说，只保留最近的几轮对话，把早期的信息丢弃。这种方法比较简单粗暴，但对于一些不太需要长期记忆的场景，效果还不错。另外，“prompt engineering”也很重要，设计清晰简洁的 prompt 可以减少 LLM 处理无用信息。
与其担心被取代，不如拥抱 AI。我们可以把 AI 当成超级代码助手，用它来提高效率。同时，也要不断学习新的技术和知识，保持自己的竞争力。比如，学习 prompt engineering，学会如何更好地与 AI 交流。另外，要加强对底层原理的理解，这样才能更好地利用 AI 进行优化和调试。