从 AI Coding 到可复用的 Agent 工作流

AI Coding 的价值并不只在于更快地产生代码。真正改变研发方式的，是把模型放进一个有边界、可验证、能持续改进的工作流。

从补全代码到理解任务

传统补全工具主要关注当前文件附近的文本。Agent 则需要理解项目结构、依赖关系、约束和用户真正想解决的问题。

一个稳定的任务通常从这些动作开始：

• 阅读项目说明和局部规则。
• 找到数据源、入口组件和测试边界。
• 确认现有改动，避免覆盖其他人的工作。
• 把目标拆成可以独立验证的小步骤。

上下文不是越多越好。关键是先建立地图，再按需要读取细节。

把验证写进流程

代码生成完成并不等于任务完成。我的基础验证循环通常包括：

Read → Plan → Implement → Lint → Typecheck → Build → Review

不同项目可以扩展浏览器测试、截图对比或真机验证，但“实现后主动验证”应该成为默认行为。

让失败提供信息

验证失败时，不要立刻尝试大量随机修改。先判断失败属于哪一层：

• 类型和接口不一致。
• 构建工具或版本迁移问题。
• 浏览器行为与静态分析不同。
• 数据本身不满足假设。

失败越能被准确分类，下一次修改就越小。

将重复经验沉淀为 Skills

当一个流程反复出现，它就适合被抽象为 Skill、脚本或项目规范。

好的 Skill 不只是提示词集合，还应明确：

• 什么时候触发。
• 必须先读取什么。
• 哪些动作允许自动执行。
• 如何判断任务完成。
• 失败后怎样安全退出。

这样，Agent 的表现不再完全依赖一次对话中的临时发挥。

保留人的判断

Agent 适合处理检索、机械修改、验证和一致性检查。产品取舍、风险授权和表达边界仍然需要人做最终判断。

高效协作不是把所有事情交给 AI，而是让机器承担可重复的认知劳动，让人把注意力留给真正重要的决策。