diff --git a/AIcoding.md b/AIcoding.md
index 1f8d330..61e5c76 100644
--- a/AIcoding.md
+++ b/AIcoding.md
@@ -1,143 +1,133 @@
-# AI Coding 方法与技巧总结 — 外包项目风险评估系统
+# AI Coding 通用方法与技巧
 
-> 本文复盘本项目（`outsourcing-risk-assessment`）在 AI 辅助编码（AI Coding）下沉淀的方法论、协作技巧与工程实践，并附优化建议，供后续项目复用。
+> 一套可迁移到任意项目的 AI 辅助编码（AI Coding）方法论：如何与 AI 高效协作、如何约束 AI 产出质量、如何让系统保持可回归与可审计。
 
 ---
 
-## 一、项目概览
-
-- **业务**：外包项目风险评估 AI 系统。销售录入项目 → AI 解析分类 → 确定性引擎评分/分级/红线/盈利测算 → 风控/管理层分级审批 → 归档与审计。
-- **技术栈**：
-  - 后端：TypeScript（严格模式）+ Hono + PostgreSQL（`node-pg-migrate`，29 个迁移）+ 通义千问 qwen-plus
-  - 前端：React 18 + Vite + Zustand + Recharts + 自建 Design System
-  - 测试：Vitest + fast-check（属性测试）+ Testing Library + axe（可访问性）+ Playwright（E2E）
-  - 部署：`deploy.sh` 一键部署（PM2 + nginx + Let's Encrypt），生产 https://pm.hr8ai.top
-- **规模**：113 个测试文件、40+ 属性测试文件、规格文档 2387 行（requirements/design/tasks）。
-
----
-
-## 二、核心方法论
+## 一、核心方法论
 
 ### 1. 规格驱动开发（Spec-Driven Development）
 
-项目以 `.kiro/specs/` 下的三份文档为"地面真值"，先规格后代码：
+先规格、后代码。把"需求 → 设计 → 任务"作为地面真值，再让 AI 据此实现：
 
-| 文档 | 作用 |
-|------|------|
-| `requirements.md` | EARS 格式需求（WHEN/IF/WHERE/SHALL），可测试、可追溯 |
-| `design.md` | 架构、数据模型、模块边界、**正确性属性（Correctness Properties）** |
-| `tasks.md` | 可执行任务清单，逐项实现并验证 |
+| 阶段 | 产出 | 要点 |
+|------|------|------|
+| 需求 | 可测试、可追溯的需求描述 | 用结构化句式（如 WHEN/IF/WHERE/SHALL），每条需求都能映射到验收标准 |
+| 设计 | 架构、数据模型、模块边界、**正确性属性** | 明确不变量（invariants），它们将成为测试依据 |
+| 任务 | 可执行的任务清单 | 拆到可独立实现并验证的粒度 |
 
-**要点**：每个需求都映射到验收标准；每条正确性属性都对应一个属性测试（如 `computeRiskScore.property18.test.ts`）。代码改动先回到规格确认，避免"凭感觉写"。
+**收益**：AI 有明确的"做什么"与"对错标准"，避免凭感觉发挥；改动前先回到规格确认，减少返工与漂移。
 
-### 2. 确定性引擎 + LLM 语言层 的分层（最关键的架构决策）
+### 2. 确定性核心 + AI 语言层 的分层（最关键的架构原则）
 
-这是本项目最重要、最值得复用的原则：
+> **凡涉及金额、评分、判定、裁决等关乎正确性与合规的逻辑，一律用确定性纯函数实现，绝不交给大模型；大模型只承担语言理解（解析、抽取、归类、摘要、预填）。**
 
-> **凡是涉及金额、评分、分级、红线、裁决的逻辑，一律是确定性纯函数，绝不交给 LLM；LLM 只做语言理解（分类、指标预填、岗位抽取、综合研判）。**
+- **确定性核心**：无副作用、可复算、相同输入恒得相同输出，便于测试与审计。
+- **AI 边界层**：负责把自然语言/非结构化输入转成结构化数据；调用失败或超时时**自动降级**到确定性兜底，不阻塞主流程。
+- **收益**：把大模型的不确定性隔离在"翻译层"，不污染决策；系统结果稳定、可解释、可回归——这是合规与高可靠系统的硬要求。
 
-- **纯函数核心**：`src/scoring`、`src/cost/profitability.ts`、`src/strategy` 等均为无副作用、可复算、可属性化测试的纯函数。相同输入永远得到相同输出。
-- **LLM 边界**：`src/llm`、`src/adapters` 负责把自然语言转成结构化输入；失败/超时自动降级到确定性兜底（`fallback.ts`），不阻塞主流程。
-- **收益**：可审计、可回归、结果稳定、合规可解释——金融/风控类系统的硬要求。LLM 的不确定性被隔离在"翻译层"，不污染决策。
+### 3. 属性化测试（Property-Based Testing）
 
-### 3. 属性化测试（Property-Based Testing, PBT）
+对核心逻辑写"属性"，而不仅是样例用例。属性描述对**任意**合法输入都应成立的不变量，例如：
 
-用 fast-check 对核心引擎做属性测试，而非只写样例用例。例如：
+- 输出值恒落在合法值域内；
+- 派生结果与其定义函数恒等（如等级恒等于按分值分级的结果）；
+- 幂等性：重复执行结果不变；
+- 往返一致：序列化后再反序列化与原值等价；
+- 局部不变：修改 A 不应影响与之无关的 B。
 
-- 风险总分恒在 [0,100]，且分级恒等于 `classifyGrade(score)`；
-- 编辑重评时未改动的维度评分必须保持不变（preserve 属性）；
-- 持久化往返（save → load）必须等价（roundtrip 属性）。
-
-**收益**：用随机输入覆盖边界，暴露样例测试漏掉的缺陷；属性即"活的规格"，重构时是安全网。
+**收益**：用随机输入覆盖人想不到的边界；属性即"活的规格"，是重构时的安全网。
 
 ---
 
-## 三、AI 协作中验证过的有效技巧
+## 二、与 AI 协作的有效技巧
 
 ### 1. 小步快跑 + 每批验证
-长任务拆成小批，每批改完立刻跑验证三件套：
-```bash
-npx tsc --build                       # 后端类型检查（改后必须重启 dist 进程）
-npx tsc -p web/tsconfig.json --noEmit # 前端类型检查
-npx vitest run                        # 全量测试（456 用例）
-```
-**绝不在未验证的情况下连续堆改动**。类型检查 + 测试通过才进入下一批。
+长任务拆成小批，每批改完立刻跑验证三件套（类型检查 / 静态检查 / 测试），全绿才进入下一批。**绝不在未验证的情况下连续堆叠改动**——否则错误会层叠，难以定位。
 
-### 2. 严格的 TypeScript 配置
-开启 `exactOptionalPropertyTypes`、`noUncheckedIndexedAccess` 等最严选项。编译器把大量运行期 bug 前移到编码期——AI 生成的代码尤其受益于强类型护栏。
+### 2. 用强类型/静态检查做护栏
+开启语言可用的最严格静态检查选项。编译器/类型系统把大量运行期 bug 前移到编码期；AI 生成的代码尤其受益于强约束护栏。
 
-### 3. 每个改动独立 commit
-每完成一个可工作的改动就 commit，信息写清"根因 + 改法 + 验证"。便于回滚、便于审计 AI 的每一步。
+### 3. 每个可工作的改动独立提交
+一个改动完成并验证后立即提交，提交信息写清"根因 + 改法 + 验证方式"。便于回滚，也便于审计 AI 的每一步决策。
 
-### 4. 根因优先，不打补丁
-遇到问题（如"盈利收入为 0"、"校准重复提示"）先定位**根因**再动手：
-- 收入为 0 → 根因是报价口径录入缺失，不是计算 bug → 加录入校验而非改公式。
-- 校准重复提示 → 根因是偏差来自历史数据 + 公式累加 → 改为基于未校准基准的幂等计算，并暴露"已校准"状态。
+### 4. 根因优先，拒绝表面打补丁
+遇到问题先定位**根因**再动手：
+- 区分"数据/输入缺失"与"逻辑 bug"——前者加校验与提示，后者改逻辑。
+- 区分"展示问题"与"计算问题"——不要用改公式来掩盖录入或展示缺陷。
+- 同一方法连续失败两次就停下来分析根因，换思路，而不是继续微调。
 
-### 5. 生产环境的真实验证
-改完不止单测，还在生产上端到端验证（登录拿 token → 调接口 → 查数据库确认副作用）。例如验证"登出留痕"：
-```bash
-TOKEN=$(curl ... /api/auth/login ...)
-curl -X POST .../api/auth/logout -H "Authorization: Bearer $TOKEN"
-# 再查 system_logs 确认出现"登出"记录
-```
+### 5. 端到端真实验证
+单元测试之外，在接近真实的环境做端到端验证：触发操作 → 检查副作用（数据库记录、文件产出、外部状态），确认改动真的生效，而不仅是"代码看起来对"。
 
-### 6. 复用既有组件与模式
-新功能优先沿用既有约定（如统一 `Table` 组件、`Icon` 图标集、复合键分隔符 `\u0000`、用户 ID 关联），而非另起炉灶。一处修复（如给 `Table` 加横向滚动容器）让全站受益。
+### 6. 复用既有约定，一处修复全局受益
+新功能优先沿用项目既有组件、约定与模式，而非另起炉灶。把修复做在共享组件/工具层，让所有调用方一起受益，而不是到处贴补丁。
 
-### 7. 规避工具/环境陷阱（踩坑沉淀）
-- 多字节中文 `curl` 输出常被 shell 截断 → 用 `printf` / 写临时文件 + python 读取。
-- bash 命令不用全角括号；复杂逻辑放 `node -e` / `python3 -c`。
-- 后端改完必须 `tsc --build` 再重启 `dist` 进程，否则跑的是旧代码。
-- JSONB 不能存裸 `\u0000` → 入库前编码（`\u0000`→`\uE000`）、读出时解码。
+### 7. 明确给 AI 的协作偏好
+开工前把稳定偏好讲清楚，例如：
+- 回复与文档使用的语言；
+- "简单改动直接改、复杂设计先给方案确认"；
+- 哪些逻辑禁止交给大模型；
+- 命名/格式/金额展示等约定；
+- 测试数据必须清理、长任务分批推进等流程要求。
+
+AI 在明确边界内自主推进效率最高。
+
+### 8. 规避工具与环境陷阱
+- 命令行处理多字节文本（如中文）易被截断/乱码时，改用写临时文件 + 脚本读取等稳健方式。
+- 复杂逻辑放进脚本（`node -e` / `python3 -c` 等），避免在 shell 里拼脆弱的一行命令。
+- 编译型/需构建的后端，改完务必重新构建再重启进程，否则跑的是旧产物。
+- 注意存储层对特殊字符的限制（如某些数据库不接受特定控制字符），入库前编码、读出时解码。
 
 ---
 
-## 四、工程实践沉淀
+## 三、工程实践沉淀
 
-- **数据库迁移化**：所有 schema 变更走 `migrations/*.cjs`，可重放、可回滚，生产与本地一致。
-- **配置惰性读取**：`AUTH_SECRET` 等密钥惰性读取（避免模块导入时固化导致 RBAC 失效）；密钥放 gitignore 的 `deploy.env`。
-- **全局审计中间件**：一个 `app.use('/api/*')` 中间件统一记录所有写操作 + 登录/登出 + 关键只读（导出/查看），自动解析操作人/角色/目标项目/决策/IP/耗时，跳过高频轮询端点避免噪音。
-- **数据隔离与 ID 关联**：全部人员用稳定用户 ID 关联记录，界面实时解析成姓名；销售只见本人发起的评估（行级隔离）。
-- **可访问性内建**：用 axe 在测试中校验对比度、焦点、ARIA 角色，UI 一致性由 Design System 保证。
+- **数据库变更迁移化**：所有 schema 变更走可重放、可回滚的迁移脚本，保证各环境一致。
+- **配置与密钥惰性读取**：运行期再读取密钥/配置，避免模块加载时固化导致开关失效；密钥不入库，放进被忽略的本地配置。
+- **统一审计中间件**：用一处中间件集中记录写操作与关键读操作（操作人、角色、对象、动作、结果、耗时、来源），跳过高频轮询端点避免日志噪音。
+- **稳定 ID 关联 + 数据隔离**：记录之间用稳定 ID 关联、界面实时解析为可读名称；按角色/归属做行级数据隔离。
+- **质量内建**：把可访问性、对比度、一致性等检查纳入自动化测试，由统一的设计体系保证 UI 一致。
+- **一键部署**：把构建、上传、迁移、重启、健康检查封装成一条命令，降低发布风险与心智负担。
 
 ---
 
-## 五、优化建议（我的视角）
+## 四、优化建议（通用清单）
 
 ### 工程与质量
-1. **补 E2E 回归**：已装 Playwright，但回归仍靠手测。建议补一条主链路 E2E（登录→新建→申报→风控→管理层→归档→审计），纳入 CI，防止"改 A 坏 B"。
-2. **CI 门禁**：`.github/workflows/ci.yml` 应强制 `typecheck + lint + vitest` 全绿才可合并/部署；`deploy.sh` 前置一次测试闸门。
-3. **前端测试拆分**：详情页改动频繁，按功能区拆 snapshot/交互测试，降低脆性。
-4. **大数据量性能**：列表已服务端分页，建议补关键查询索引（如 `system_logs(ts)`、`assessments(assessor_id,status)`）；前端列表上虚拟滚动。
+1. **端到端回归纳入 CI**：补一条主链路 E2E，作为"改 A 坏 B"的防线。
+2. **CI 门禁**：类型检查 + 静态检查 + 测试全绿才可合并/部署；发布脚本前置测试闸门。
+3. **测试分层与解耦**：高频变动模块按功能区拆分测试，降低脆性；区分单元/集成/E2E 各司其职。
+4. **性能前置**：列表服务端分页 + 关键查询建索引；大数据量时前端虚拟滚动。
 
 ### 架构与可维护性
-5. **拆分 `src/server/index.ts`**：单文件已超 2500 行，建议按资源域拆成路由模块（assessments / users / calibration / logs …），降低认知负担与合并冲突。
-6. **审计中间件的请求体重复读取**：登录/审批分支在 `next()` 后再次 `c.req.json()`，依赖框架缓存。建议显式缓存一次请求体，避免框架升级后行为变化。
-7. **校准语义文档化**：把"目标净利率基准 / 历史偏差 / 幂等校准"的语义写进 design.md，避免未来再次误解为可累加。
+5. **及时拆分巨型文件**：单文件过大时按职责/资源域拆分，降低认知负担与合并冲突。
+6. **减少隐式依赖**：避免依赖框架的隐式缓存/副作用，关键数据显式获取一次并复用。
+7. **关键语义文档化**：易被误解的业务语义（如可累加 vs 幂等、历史值 vs 当前值）写入设计文档，防止重复踩坑。
 
-### LLM 层
-8. **LLM 输出校验与可观测**：对分类/预填的 LLM 结果做 schema 校验 + 置信度阈值（部分已做），并把 LLM 调用耗时/降级率纳入系统日志，便于评估模型稳定性与成本。
-9. **提示词与模型版本治理**：把 prompt 模板与模型名集中管理、版本化，便于灰度与回滚。
-10. **经验库闭环**：`experience_library` 已具雏形，可把"预测 vs 实际"偏差与驳回原因反哺到 LLM 预填的 few-shot，形成数据飞轮。
+### AI 层
+8. **AI 输出做 schema 校验 + 置信度阈值**：结构化校验大模型产出，低置信走兜底；把调用耗时/降级率纳入监控。
+9. **提示词与模型版本治理**：集中管理、版本化 prompt 与模型名，便于灰度与回滚。
+10. **数据飞轮**：把"预测 vs 实际"的偏差、人工修正反哺给 AI 的少样本示例，持续提升质量。
 
 ### 安全与合规
-11. **JWT 增强**：当前为自实现 HMAC，建议迁移到 `jose`，支持密钥轮换与更短有效期 + 刷新令牌。
-12. **密钥与备份**：确认 `.env`/`deploy.env` 不入库（已 gitignore）；定期演练数据库备份恢复（已有 `baidu-backup.sh`，建议加恢复演练）。
-13. **登出令牌失效**：当前登出仅前端丢弃 token，服务端无状态。若需"立即失效"，可引入短期 token + 服务端黑名单/版本号。
+11. **认证用成熟方案**：优先用成熟库而非自实现，支持密钥轮换、较短有效期 + 刷新令牌。
+12. **密钥治理与备份演练**：确认密钥不入库；定期演练备份恢复，而不仅是备份。
+13. **会话失效策略**：无状态令牌如需"立即失效"，引入短期令牌 + 服务端黑名单/版本号。
 
 ---
 
-## 六、可复用的"黄金法则"清单
+## 五、可复用的"黄金法则"清单
 
-1. 决策逻辑确定性纯函数化，LLM 只做语言层，二者严格隔离。
-2. 先规格（需求/设计/正确性属性）后代码，规格是地面真值。
+1. 决策逻辑确定性纯函数化，AI 只做语言层，二者严格隔离。
+2. 先规格（需求 / 设计 / 正确性属性）后代码，规格是地面真值。
 3. 核心逻辑写属性测试，而不仅是样例测试。
-4. 小步改动 + 每批 `typecheck + test` 验证 + 独立 commit。
+4. 小步改动 + 每批"类型检查 + 测试"验证 + 独立提交。
 5. 根因优先，拒绝表面打补丁。
-6. 改完在生产做端到端真实验证（含数据库副作用）。
-7. 严格 TS + 迁移化 schema + 全局审计，让系统可回归、可审计、可解释。
+6. 改完在接近真实的环境做端到端验证（含副作用）。
+7. 强类型 + 迁移化 schema + 统一审计，让系统可回归、可审计、可解释。
+8. 开工前对齐协作偏好与边界，让 AI 在明确约束内自主推进。
 
 ---
 
-*本文由项目实践复盘整理，可随项目演进持续更新。*
+*本文为通用方法论，可随团队实践持续补充。*