一位开发者分享了在软件开发中高效使用 AI 智能体的四种工作流模式。
AI translation, not an official translation. Refer to the original for technical details.
Adapted from @milan_milanovic𝗔𝗜 𝗲𝗱𝗶𝘁𝗼𝗿 𝗮𝗻𝗱 𝗰𝗼𝗱𝗶𝗻𝗴 𝗯𝗲𝘀𝘁 𝗽𝗿𝗮𝗰𝘁𝗶𝗰𝗲𝘀 如今大多数开发者都在使用 AI 智能体编写代码，但我们还没有形成任何实用的规范来指导如何正确地使用它。我观察到的情况是，几乎每个人都有自己的一套工作方式。 我自己也摸索了很久，但经过三年的实践，我开始发现一些规律逐渐浮现。 以下就是这些规律： 𝟭. 𝗦𝗽𝗲𝗰𝘀 𝗳𝗶𝗿𝘀𝘁, 𝘁𝗵𝗲𝗻 𝗰𝗼𝗱𝗶𝗻𝗴 这是我很早就学到的东西，也是我将 AI 前时代的工作方式沿用下来的体现。我会先和智能体一起完成规格说明或研究，并制定计划。 智能体负责创建 SPECS.md、RESEARCH.md 以及 PLAN.md 等文档。我们在这一阶段反复迭代，直到我满意为止。在这个环节，我主要使用 AI 智能体的计划模式。 整体流程是：规格说明/研究 -> 计划 -> 任务拆分 -> 实施。 之后，我将任务交给智能体执行，自己则负责审查结果。 𝟮. 𝗖𝗼𝗻𝘁𝗲𝘅𝘁 𝗶𝘀 𝗶𝗻 𝘁𝗵𝗲 𝗿𝗲𝗽𝗼 在这个过程中，我会创建各类文档（从 AGENTS.md 和 CLAUDE.md 中引用），让智能体始终了解我们做了什么以及如何做的。 其中还包括 ARCHITECTURE.md，用于记录架构决策，以及用于架构决策记录的 ADR 文档。 我会要求智能体在实施过程中始终更新和回顾这些文档，使其成为一种"活文档"。 𝟯. 𝗧𝗲𝘀𝘁 𝗿𝗲𝘀𝘂𝗹𝘁 𝗼𝗳 𝗲𝘃𝗲𝗿𝘆 𝘁𝗮𝘀𝗸 每当智能体完成任务，我都有一套预定义的自动化测试、构建流程和截图（如果涉及 UI 改动），供智能体自我检查工作成果。在此之前，我还会将代码发给另一个智能体进行评审。例如，如果我用 Claude Code 编写代码，就会把它发给 GPT 做一次审查。不同的智能体/模型对代码有不同的视角，能够发现潜在问题。 此外，我自己也会进行人工检查，包括审查代码和 UI。 𝟰. 𝗦𝗺𝗮𝗹𝗹 𝗯𝗮𝘁𝗰𝗵𝗲𝘀 𝗮𝗻𝗱 𝗳𝗿𝗲𝗾𝘂𝗲𝗻𝘁 𝗰𝗼𝗺𝗺𝗶𝘁𝘀 我会指示智能体以小批量方式工作，这样回滚更容易，我也可以在需要时进行人工审查。 小批量提交同时形成了一份可供日后追溯的变更历史记录。 以上这些——规格说明、文档管理和小批量提交——都是 AI 时代之前就存在的实践，只是现在变得更加重要了。 良好的工程实践将长期存在。如果你跳过这些步骤，终究要付出代价，甚至可能比以前付出更大的代价。
