dotLLM 是一個很好的大型案例：它不是玩具 demo，而是用 Claude Code + 多模型 review，在兩個月內從零做出 .NET / CUDA / OpenAI-compatible 的 LLM inference engine。它證明的不是「AI 會自己寫完所有東西」，而是：當文件、review、skills 與人類決策一起工作時，AI 可以把高紀律工程放大。
這個案例最值得抄的四件事
1. 文件不是 overhead，是執行介面
作者最重視的兩份文件：
ROADMAP.md：把整個專案拆成可執行步驟與依賴CLAUDE.md：專案「憲法」，寫架構原則與硬規則
外加每個子系統的設計文件（例如 quantization、attention、CUDA 等），讓 AI 在動手前先讀 spec，再改 code。
2. 寫 code 的模型，不要同時 review 自己
作者讓 Claude Code 主要負責實作，再用 Codex / Gemini 做 PR review。這種跨模型 review 能補盲點，抓到 race condition、索引錯誤、cache key collision 這類真正會出事的 bug。
3. Skills 要包住 PR 生命週期
像 /plan-step、/create-pr、/apply-pr-comments、/finish-pr-comments、/merge-pr 這類技能，把 planning、修 review comments、push、merge 變成可追蹤的工作流，而不是每次重新口述。
4. 不要 YOLO loop
作者明確拒絕 fire-and-forget：每個 plan 先讓人核准，再進實作。這很值得記，因為它的核心觀念是：我要 drive 這個系統，不是把方向盤整支交出去。
反面教訓也同樣有用
- 架構級決策仍然要人做：例如 attention 方案、GPU interop、runtime 限制
- AI 會違反你自己寫下的規則：最後還是要靠 pre-tool hook / 檢查腳本兜底
- 卡 loop 時，人要介入 brainstorm，不是無限加 prompt
對工作流的啟示
CLAUDE.md+ 設計文件 + task roadmap，這三件事是最穩的外部記憶- 跨模型 review 值得變成常規，而不是豪華加購
- prompt 很重要，但 hook / checker / review gate 更可靠
金句
AI amplifies discipline; it doesn’t replace it.