AI Coding 工作流:项目记忆、代码阅读与验证
AI Coding 的效果不只取决于模型,也取决于开发者如何提供上下文、拆解任务和验证结果。随意说一句“帮我改一下”有时能工作,但难以形成稳定流程。
先让 Agent 理解项目
代码只能表达实现,很多约定并不在代码里:为什么选择某个框架、哪些目录不能修改、测试命令是什么、兼容到哪个版本。这些信息适合写进仓库级指令文件。
一份简洁的项目记忆可以包含:
- 项目目标和技术栈;
- 启动、测试、构建命令;
- 目录职责和主要入口;
- 数据、安全和兼容性约束;
- 当前阶段的已知问题。
它应当是团队文档,而不是给某个模型准备的神秘提示词。内容越接近真实工程约定,换工具时迁移成本越低。
阅读代码要从问题出发
让 Agent 无差别解释整个仓库会产生大量低价值上下文。更有效的是围绕一个问题逐层展开。
先理解文件职责
这个文件负责什么?它在调用链中的上游和下游是什么?哪些公开方法承担核心行为?再理解具体流程
请按执行顺序梳理这个方法。标出数据状态变化、数据库操作、缓存访问和外部调用。说明异常发生时会走到哪里。最后追问设计原因
为什么这里使用事务、锁或异步队列?这个选择解决了什么问题?它引入了哪些新风险?问题从“是什么”进入“怎么运行”,最后到“为什么这样设计”,能够避免停留在逐行翻译代码。
改代码前先定义完成条件
一个可执行任务至少要说明:
- 当前行为;
- 期望行为;
- 不允许改变的行为;
- 涉及范围;
- 验证方式。
例如“给接口加缓存”缺少关键边界;更好的描述应说明缓存对象、键、失效策略、数据一致性要求,以及用什么测试确认没有返回过期权限数据。
复杂任务先计划再修改
当任务跨越多个模块时,可以要求 Agent 先输出:
- 需要读取的文件;
- 预计修改的组件;
- 数据和调用链变化;
- 风险与回滚方式;
- 分阶段验证命令。
计划不是为了增加文档,而是让错误假设在写代码前暴露。对于单行修复则不必强行套用重流程。
用引用缩小上下文
明确指出文件、目录、函数或报错信息,可以减少 Agent 搜索和猜测。例如提供失败测试名称,比只说“测试挂了”更有效。
但不要只发送孤立代码片段。缺少调用方、类型定义和测试时,模型容易生成局部正确、全局不兼容的修改。
权限模式要与任务匹配
常见操作可以分成:
- 阅读、搜索和状态查询;
- 工作区内代码编辑;
- 依赖安装、长时间命令和网络访问;
- 删除、发布和外部系统写入。
日常代码修改可以提高自动化程度,但不可逆操作仍应明确确认。权限越高,对路径限制、审计和验证的要求也越高。
长任务需要可恢复状态
当工作无法在一次会话完成时,只依赖聊天记录并不可靠。可以维护一个简短进度文件:
## 已完成- 已定位登录失败来自令牌刷新逻辑- 已补充刷新成功和失败测试
## 当前问题- 并发刷新会产生重复请求
## 下一步- 比较单飞请求与分布式锁方案- 运行认证模块集成测试这份记录既帮助 Agent 续接,也方便人类检查实际进度。
验证是工作流的一部分
完成代码编辑不等于完成任务。一个可靠的结束顺序通常是:
- 检查修改差异;
- 运行最小相关测试;
- 运行类型检查或静态分析;
- 对高风险改动运行更大范围测试;
- 汇总改动、验证证据和剩余风险。
如果验证失败,Agent 应报告实际输出,而不是用“看起来没问题”结束任务。
建立自己的反馈模板
对于频繁执行的任务,可以沉淀模板:
- 修复缺陷:复现 → 定位 → 最小修改 → 回归测试;
- 新增接口:契约 → 参数校验 → 业务逻辑 → 测试 → 文档;
- 重构:行为基线 → 小步修改 → 持续测试 → 差异检查;
- 代码评审:正确性 → 安全性 → 边界 → 可维护性 → 验证缺口。
这些模板比堆积“万能 Prompt”更容易复用,因为它们描述的是工程反馈回路。
总结
高质量 AI Coding 工作流由四件事组成:让项目约定可读取,让问题边界足够清晰,让修改权限受到控制,让每一步都有可观察的验证。模型能力会持续变化,但这套工程方法仍然适用。