在 AI 辅助编程场景下，用户往往不会一次性把所有需求“说清楚” —— 而是通过多次对话、迭代澄清需求。这种“多轮对话”风格在人机交互、Agent 驱动、AI 辅助编码等场景都非常常见。但从最新研究来看，LLM 在多轮、部分指定（ underspecified ）对话中，成功率会大幅下降。这对 AI 编程工具（尤其是“对话式 / 交互式”的开发支持系统）是一个严重挑战。
二、研究结论：一次性给足信息，成功率提升 35%+
在 2025 年 5 月的论文《 LLMS GET LOST IN MULTI-TURN CONVERSATION 》（arXiv:2505.06120）中，研究者系统性地比较了两种编程方式：
在 15 个主流模型上，用 200,000+ 次模拟对话对比 single-turn 和 multi-turn 下的六类生成任务（包括代码生成、数据库查询、摘要等）。
结果表明：多轮上下文下，模型性能平均下降**约 39%**（相比于一开始就给出完整指令的单轮形式）
具体地，他们把性能下降拆解为两个部分：
[td]模式[/td]
[td]描述[/td]
[td]平均任务成功率[/td]
One-Shot Prompting
一次性提供完整需求与约束
78%
Multi-Turn Refinement
通过多轮补充和澄清需求
54%
结论非常明确：
当 LLM 在第一次就能拿到完整上下文（包括功能、约束、接口信息等），代码正确率与结构完整性显著提升，平均减少 30%-40% 的沟通迭代。
换句话说，大模型最怕“边说边改”，最爱“一次说清楚”。
三、对 AI 编程 / AI-IDE 的启示
在 AI 辅助编程的实际场景里，这个问题尤其致命：
正是在这个技术挑战之下，Crevo 的方案显得极具意义。
四、Cravo 的方案：一次给足 + 按需检索 + 迭代驱动
1. 核心思路：分层文档 + 迭代触发 + 语境检索
Crevo 把整个软件开发流程结构化成可索引的知识体系：
[td]维度[/td]
[td]内容[/td]
用户故事
用户目标与场景
PRD
功能描述、业务逻辑
系统架构
模块关系、服务依赖
数据库设计
表结构、字段、约束
API 定义
输入输出规范
UX/UI
界面原型与交互流程
迭代开发计划
功能拆解与优先级
Crevo 用工程级上下文检索 + 任务驱动整合，把对话式的开发场景“压缩”为对模型的完整提示。
2. 为什么这种做法能提升成功率 & 效率
根据论文观点，使用 Crevo 解决了以下问题：
3. 效果估计 / 实验数据建议
例如：
开发者告诉 Crevo “我要一个用户登录接口”。
Crevo 自动检索出与“登录”相关的用户故事、界面流程、DB user 表结构、API 接口规格（如 POST /login 请求字段、响应字段）、UI 登录页原型、迭代计划说明。然后将这些信息作为 prompt 上下文给 LLM ，让它生成 login 模块代码 + 单元测试 + 接口文档 + error handling 。如果后续用户追加“加验证码”或“加记住我”功能，Cravo 会再次检索上下文 + 变更说明，作为 prompt 更新给 LLM 继续生成代码。
五、背后的理念：从 Prompt 到 Context Graph
Crevo 的哲学并不是“写更好的提示词”，
而是——构建更好的上下文。
我们让所有开发信息以结构化方式存在（像知识图谱一样），
再通过上下文聚合算法，让模型“理解整个软件的语义结构”。
这让 AI 编程真正具备了“项目级记忆”与“全局推理能力”。
延伸阅读
