之前在做項目重構時團隊成員已經(jīng)習慣用 AI 輔助寫代碼但很快遇到了一個尷尬的場景AI 能生成一段能跑通的函數(shù)卻搞不定“改完 A 文件、同步更新 B 文件、再補上測試”這種完整任務。后來我們把工作流拆成可復用的技能方案把提示詞、上下文、工具調用和驗證流程固定下來AI 才開始真正“干活”而不是只當聊天窗口里的代碼生成器。這篇文章就是圍繞這套方法展開的。我會先梳理 AI Coding 的幾個層次再給出一個可落地的工程化方案——我習慣叫它“Do Work Skill Solution”也就是一套讓 AI Coding 真正完成開發(fā)任務的技能化工作流。內(nèi)容會覆蓋環(huán)境準備、核心思路、完整實戰(zhàn)案例、常見問題和最佳實踐適合正在把 AI 輔助開發(fā)引入日常項目的后端、前端和全棧工程師。1. AI Coding 與 Do Work Skill Solution1.1 AI Coding 到底是什么AI Coding 指的是利用大語言模型來輔助完成軟件開發(fā)活動它并不僅僅指“讓 AI 寫一段代碼”而是覆蓋需求分析、代碼生成、代碼解釋、測試編寫、Bug 修復、代碼審查等一系列環(huán)節(jié)。在實際開發(fā)中AI Coding 工具通常分為三個層次行級/函數(shù)級補全根據(jù)上下文自動補全代碼比如 GitHub Copilot 這類插件。對話式代碼助手開發(fā)者用自然語言描述需求AI 返回完整代碼片段或修改建議比如 ChatGPT、GLM Coding Plan 等。自主執(zhí)行型 AgentAI 不僅能生成代碼還能讀取項目文件、執(zhí)行命令、運行測試、根據(jù)報錯自動修復典型產(chǎn)品包括 Devin、Cursor、Vercel AI 等平臺上的 Agent 能力。這三個層次對應的工程價值完全不同。前兩個層次幫助開發(fā)者“寫得更快”第三個層次才真正接近“替開發(fā)者完成一項工作”。這也是為什么 AI Coding Agent 在過去一段時間成為熱點因為大家都意識到只有讓 AI 具備工具調用和任務閉環(huán)能力才能大幅提升開發(fā)效率。1.2 Vibe Coding 與 AI Coding AgentVibe Coding 是最近出現(xiàn)的一個概念指的是開發(fā)者不再逐行編寫代碼而是通過自然語言描述意圖讓 AI 大量生成代碼再由人來審查、調整和整合。這種模式強調“跟隨感覺編程”適合原型驗證、快速起項目但直接把這種模式放到生產(chǎn)項目里風險也很明顯。AI Coding Agent 則更強調任務拆解和自主執(zhí)行。比如你告訴 Agent“請幫我實現(xiàn)一個 JSON 配置校驗工具支持必填字段和類型校驗”Agent 會自己完成以下步驟分析項目結構和現(xiàn)有依賴。創(chuàng)建核心 Python 文件。生成測試用例。運行測試并修復失敗用例。這種模式已經(jīng)非常接近真實開發(fā)流程。不過 Agent 的能力邊界、上下文管理、執(zhí)行權限仍然是工程落地的核心難點后面我會重點展開。1.3 Do Work Skill Solution 是什么“Do Work Skill Solution”不是一個官方技術標準而是一套工程實踐方法。它的核心思想是把一次完整的開發(fā)任務拆解成“提示詞 上下文 工具調用 驗證流程”的組合并將這種組合固化為可復用的技能或模板。簡單來說普通使用 AI Coding 的方式是你幫我寫一個函數(shù)解析 JSON 文件。 AI給你一段代碼。 你好的我復制粘貼。Do Work Skill Solution 的方式是你請使用 config-validator 技能實現(xiàn) JSON 配置校驗功能。 AI先讀取項目結構再創(chuàng)建代碼文件編寫測試運行測試返回執(zhí)行結果。 你檢查差異合并代碼。兩者最根本的差別在于前者是“生成代碼”后者是“完成工作”。而要讓 AI 從“生成代碼”升級到“完成工作”關鍵不在于模型本身而在于我們?nèi)绾卧O計任務描述、提供什么上下文、允許 AI 執(zhí)行哪些操作以及如何驗收結果。1.4 為什么需要掌握這套方法結合我的實際體驗有幾個原因非常具體AI 生成的代碼單獨看是對的但放到項目里常常對不上現(xiàn)有架構。多文件修改時AI 經(jīng)常改了一處忘記另一處。AI 不會主動運行測試導致代碼只能靠人肉驗證。沒有規(guī)范約束時AI 生成的代碼風格五花八門。安全邊界不明確時AI 可能執(zhí)行了不該執(zhí)行的命令。這些問題單靠“更好的模型”并不能完全解決必須靠工程流程和技能化方案來彌補。2. 環(huán)境準備與版本說明在開始配置 Do Work Skill Solution 之前我們先梳理一下環(huán)境。不同 AI Coding 工具的產(chǎn)品形態(tài)和功能更新非?？煲虼吮疚牟粫寻姹咎枌懰蓝且酝ㄓ昧鞒毯退悸窞橹鳌?.1 基礎運行環(huán)境項目推薦配置說明操作系統(tǒng)Windows 10/11、macOS、Linux與 AI Coding 工具關系不大編程語言Python 3.10 或 Node.js 18實戰(zhàn)案例使用 PythonIDEVS Code 或 JetBrains 系列推薦 VS Code插件生態(tài)豐富包管理工具pip / uv / npm / pnpm根據(jù)項目實際選擇版本控制Git用于查看 AI 的代碼差異并回滾如果你當前環(huán)境里沒有 Python建議先安裝 Python 3.10 或更高版本。命令如下python --version如果輸出類似Python 3.10.12說明環(huán)境沒問題。如果沒有安裝請到 Python 官網(wǎng)下載對應安裝包并記得勾選“Add Python to PATH”。2.2 AI Coding 工具選擇目前主流 AI Coding 工具大致有以下幾類IDE 插件型GitHub Copilot、通義靈碼、CodeGeeX 等適合代碼補全和對話式輔助。AI 原生編輯器Cursor、Windsurf 等內(nèi)置 Agent 和上下文理解能力。通用模型平臺ChatGPT、智譜 GLM、Kimi 等適合生成完整代碼塊和解釋思路。Agent 平臺型Vercel AI、Devin 等強調自動執(zhí)行任務。由于這些工具迭代速度較快具體到某個插件的按鈕位置或參數(shù)名建議以官方文檔為準。本文的實戰(zhàn)演示側重「方法」不同工具都可以套用。2.3 示例項目結構為了方便后續(xù)實戰(zhàn)演示我們先約定一個目錄結構。以一個 Python 項目為例ai-coding-demo/ ├── .venv/ # 虛擬環(huán)境 ├── skills/ │ └── config-validator/ │ └── SKILL.md # 技能定義文件 ├── src/ │ └── config_validator/ │ ├── __init__.py │ └── validator.py # 核心校驗邏輯 ├── tests/ │ └── test_validator.py ├── prompts/ │ └── validation-task.md # 任務提示詞 ├── requirements.txt └── README.md這個結構并不復雜但它已經(jīng)包含了“技能定義、源碼、測試、任務模板”四個關鍵部分能支撐完整的工作流演示。2.4 初始化項目打開終端執(zhí)行以下命令mkdir ai-coding-demo cd ai-coding-demo python -m venv .venv # Windows .venv\Scripts\activate # macOS / Linux source .venv/bin/activate然后創(chuàng)建requirements.txt后續(xù)如果用到測試框架再補充依賴pytest7.0安裝依賴pip install -r requirements.txt到這里環(huán)境就準備好了。接下來進入核心章節(jié)拆解 Do Work Skill Solution 的關鍵設計思路。3. 核心思路拆解3.1 Prompt 不是越多越好而是越結構化越好很多開發(fā)者使用 AI Coding 時習慣直接寫“幫我實現(xiàn)一個用戶登錄接口”然后 AI 返回一大段代碼。這種方式在小任務里能用但在實際項目中需求越復雜輸出質量越不穩(wěn)定。解決思路是使用結構化的任務描述。我通常會把提示詞組織成一張“任務卡片”包含以下字段角色和背景目標輸入約束條件輸出格式驗收標準模板示例如下# 任務實現(xiàn) JSON 配置校驗工具 ## 角色 你是一名資深 Python 開發(fā)工程師熟悉配置文件的常見校驗場景。 ## 目標 實現(xiàn)一個命令行工具用于校驗 JSON 配置文件中的必填字段和字段類型。 ## 輸入 - 配置文件路徑JSON 格式 - 校驗規(guī)則文件JSON 格式定義必填字段和類型 ## 約束 - 使用 Python 3.10不引入重量級框架 - 錯誤信息要包含字段路徑便于定位 - 支持嵌套字段校驗 ## 輸出 - src/config_validator/validator.py - tests/test_validator.py - 命令行入口 cli.py ## 驗收標準 1. 能通過 pytest 測試 2. 能處理文件不存在、JSON 解析失敗等異常 3. 錯誤信息清晰可讀這種結構化描述的價值在于AI 生成代碼時不再需要猜測“你要什么”而是圍繞明確的輸入輸出和驗收標準展開。在 Do Work Skill Solution 中任務卡片是一個基本單元。3.2 上下文管理把項目狀態(tài)喂給 AIAI Coding Agent 要完成真實任務必須理解項目上下文。但大模型的上下文窗口有限不可能把整個倉庫都塞進去因此需要“有選擇地提供上下文”。合理的上下文應該包含項目整體結構和關鍵文件路徑。當前任務涉及的模塊和依賴。相關代碼文件的核心邏輯。項目編碼規(guī)范或風格約束。已經(jīng)嘗試過的方案和失敗原因。例如讓 AI 修改一個 Python 函數(shù)時至少要把函數(shù)所在文件的路徑、函數(shù)簽名、調用方代碼、測試文件路徑都告訴它。上下文組織順序也很重要把最重要的信息放在提示詞開頭模型關注度會更高。以下是一個上下文組織示例項目類型Python 3.10 CLI 工具 項目路徑/Users/me/ai-coding-demo 核心文件 - src/config_validator/validator.py - src/config_validator/cli.py - tests/test_validator.py 當前任務為 validator.py 增加對數(shù)組類型字段的校驗支持 已有邏輯validator.py 中 validate_value() 函數(shù)負責字段類型檢查 依賴pytest, json 注意事項請保持現(xiàn)有函數(shù)簽名和錯誤信息風格當你發(fā)現(xiàn) AI 輸出的代碼風格和現(xiàn)有代碼不一致時不要急著換模型先檢查上下文是否給足了。3.3 多文件修改與 Agent 模式單文件生成是 AI Coding 最容易的場景但真實開發(fā)任務通常涉及多文件修改。比如新增一個命令行參數(shù)可能需要同時修改參數(shù)解析模塊核心業(yè)務邏輯測試用例README 文檔這時候如果只是簡單問答AI 很可能只改到了其中一部分。所以在 Do Work Skill Solution 中我會要求 AI 在動手前先輸出“文件修改計劃”包含每個文件的修改點和修改原因。示例計劃輸出修改計劃 1. src/config_validator/validator.py - 在 validate_value() 中增加數(shù)組類型分支 - 支持 list[str]、list[int] 等類型描述 2. src/config_validator/cli.py - 增加 --rules 參數(shù)用于指定校驗規(guī)則文件 3. tests/test_validator.py - 新增數(shù)組字段校驗測試用例 - 新增規(guī)則文件缺失時的異常測試 4. README.md - 更新命令示例如果 AI 工具支持 Agent 模式它會在項目內(nèi)自動讀取文件并執(zhí)行修改但一定要讓 AI 先輸出計劃避免直接跨越到修改階段。3.4 技能化把流程固化成可復用模板“技能化”是 Do Work Skill Solution 的核心。一次任務如果只是臨時跑一次用 prompt 就夠了但如果是團隊常用流程比如“創(chuàng)建服務接口”“添加數(shù)據(jù)庫表”“修復測試失敗”就應該固化成技能模板讓任何成員甚至 AI Agent 自己都能按同一套流程執(zhí)行。技能文件的結構可以很簡單一個 Markdown 文件或 YAML 文件都行。以skills/config-validator/SKILL.md為例# config-validator 技能 ## 適用場景 需要為項目增加 JSON 配置文件校驗能力時使用。 ## 輸入要求 - 配置文件路徑或樣例配置 - 期望支持的校驗規(guī)則 ## 執(zhí)行步驟 1. 檢查項目是否已有配置校驗模塊避免重復創(chuàng)建 2. 創(chuàng)建 validator.py實現(xiàn)基礎校驗邏輯 3. 編寫 CLI 入口支持命令行調用 4. 編寫 pytest 測試用例覆蓋必填字段和類型校驗 5. 運行測試確認全部通過 ## 驗收標準 - pytest 全部通過 - 錯誤信息包含字段路徑 - 支持嵌套字段 - 命令行入口可獨立運行如果使用 YAML 格式可以寫成name: config-validator description: 為項目增加 JSON 配置校驗能力 version: 1.0.0 trigger: 用戶請求實現(xiàn)配置校驗或添加校驗規(guī)則 steps: - check_existing_module - create_validator - create_cli - create_tests - run_tests acceptance_criteria: - pytest_pass - error_info_has_field_path - support_nested_fields - cli_standalone技能文件放到項目的skills/目錄里一方面可以讓團隊成員共享另一方面也可以作為 AI Agent 的功能插件。3.5 驗證閉環(huán)AI 生成代碼后必須自動檢查AI 生成的代碼不能直接合入主干必須經(jīng)過驗證閉環(huán)。至少包含三個環(huán)節(jié)靜態(tài)檢查通過 lint 工具檢查語法和風格問題。單元測試運行 pytest確認功能符合預期。人工審查由開發(fā)者查看代碼差異確認沒有越權修改和安全隱患。在命令行中驗證命令大致如下# 運行測試 pytest -v # 靜態(tài)檢查如果項目使用 ruff ruff check src tests如果 AI 工具本身支持運行命令可以讓它在生成代碼后自動執(zhí)行測試并把測試結果反饋出來。如果不支持則需要開發(fā)者在本地手動執(zhí)行。無論哪種方式驗證閉環(huán)都不能省略。4. 完整實戰(zhàn)案例在項目里落地 AI Coding 技能前面講了大量概念和思路接下來我們用一個小而完整的案例把 Do Work Skill Solution 的完整流程走一遍。這個案例是使用 AI Coding 實現(xiàn)一個 JSON 配置校驗工具。4.1 需求分析假設我們有一個運維配置系統(tǒng)配置文件是 JSON 格式。希望提供一個校驗工具滿足以下需求檢查必填字段是否存在。檢查字段類型是否正確。支持嵌套對象和數(shù)組。提供命令行入口。錯誤信息能定位到具體字段路徑。這是一個非常典型的開發(fā)任務適合用來演示 AI Coding 全流程。4.2 創(chuàng)建技能文件按照 Do Work Skill Solution 的思路先創(chuàng)建技能文件skills/config-validator/SKILL.md內(nèi)容可以參考 3.4 節(jié)中的模板。這一步的作用是讓 AI 明確任務的執(zhí)行步驟和驗收標準。4.3 編寫任務提示詞編寫prompts/validation-task.md作為本次任務的主提示詞# 任務實現(xiàn) JSON 配置校驗工具 ## 角色 你是一名資深 Python 開發(fā)工程師精通配置文件校驗和命令行工具開發(fā)。 ## 目標 在現(xiàn)有項目中創(chuàng)建一個 JSON 配置校驗工具支持必填字段校驗、類型校驗、嵌套對象校驗和數(shù)組校驗。 ## 輸入 - 配置文件JSON 格式例如 config.json - 校驗規(guī)則文件JSON 格式例如 schema.json 校驗規(guī)則示例 { required: [server.host, server.port], type: { server.host: string, server.port: integer, server.timeout: integer, features: array } } ## 約束 - 使用 Python 3.10 - 不引入重量級框架 - 錯誤信息需要包含字段路徑例如 server.port 類型錯誤期望 integer實際為 string - 需要支持嵌套字段通過點號路徑表示層級關系 - 需要支持數(shù)組字段基本類型校驗 ## 輸出 - src/config_validator/validator.py核心校驗邏輯 - src/config_validator/cli.py命令行入口 - tests/test_validator.py測試用例 ## 驗收標準 1. pytest 全部通過 2. 命令行執(zhí)行 python -m src.config_validator.cli config.json schema.json 能輸出校驗結果 3. 文件不存在時給出友好錯誤提示 4. JSON 解析失敗時給出明確錯誤信息4.4 AI 生成核心代碼這里我模擬一次 AI Coding 的輸出結果生成的核心代碼是src/config_validator/validator.py# 文件路徑src/config_validator/validator.py import json from pathlib import Path from typing import Any, Dict, List, Union VALID_TYPES { string: str, integer: int, number: (int, float), boolean: bool, object: dict, array: list, } def load_json_file(file_path: str) - Dict[str, Any]: 加載 JSON 文件如果文件不存在或解析失敗則拋出異常。 path Path(file_path) if not path.exists(): raise FileNotFoundError(f配置文件不存在: {file_path}) try: with path.open(r, encodingutf-8) as f: return json.load(f) except json.JSONDecodeError as e: raise ValueError(fJSON 解析失敗: {e}) from e def _get_nested_value(data: Dict[str, Any], path: str) - Any: 通過點號路徑獲取嵌套字段值。 例如 data{server: {host: 127.0.0.1}}, pathserver.host current data for part in path.split(.): if not isinstance(current, dict): return None current current.get(part) return current def _validate_type(value: Any, expected_type: str) - bool: 校驗單個字段的類型。 if expected_type not in VALID_TYPES: raise ValueError(f未知的校驗類型: {expected_type}) if expected_type array: return isinstance(value, list) return isinstance(value, VALID_TYPES[expected_type]) def validate_config( config: Dict[str, Any], schema: Dict[str, Any] ) - List[str]: 根據(jù) schema 校驗 config。 schema 結構 { required: [server.host, server.port], type: { server.host: string, server.port: integer } } 返回錯誤信息列表如果校驗通過則返回空列表。 errors: List[str] [] required_fields schema.get(required, []) type_rules schema.get(type, {}) # 必填字段校驗 for field in required_fields: value _get_nested_value(config, field) if value is None: errors.append(f缺少必填字段: {field}) # 類型校驗 for field, expected_type in type_rules.items(): value _get_nested_value(config, field) if value is None: continue if not _validate_type(value, expected_type): errors.append( f{field} 類型錯誤期望 {expected_type}實際為 {type(value).__name__} ) return errors隨后生成命令行入口src/config_validator/cli.py# 文件路徑src/config_validator/cli.py import argparse import json import sys from pathlib import Path from src.config_validator.validator import load_json_file, validate_config def main() - int: parser argparse.ArgumentParser(descriptionJSON 配置校驗工具) parser.add_argument(config, help配置文件路徑) parser.add_argument(schema, help校驗規(guī)則文件路徑) args parser.parse_args() try: config load_json_file(args.config) schema load_json_file(args.schema) except (FileNotFoundError, ValueError) as e: print(f加載文件失敗: {e}, filesys.stderr) return 1 errors validate_config(config, schema) if errors: print(校驗未通過) for error in errors: print(f - {error}) return 1 print(校驗通過) return 0 if __name__ __main__: sys.exit(main())生成測試文件tests/test_validator.py# 文件路徑tests/test_validator.py import pytest from src.config_validator.validator import ( load_json_file, validate_config, ) def test_validate_config_missing_required_field(): config {server: {host: 127.0.0.1}} schema { required: [server.host, server.port], type: {server.host: string, server.port: integer}, } errors validate_config(config, schema) assert len(errors) 1 assert 缺少必填字段: server.port in errors def test_validate_config_type_error(): config {server: {host: 127.0.0.1, port: 8080}} schema { required: [server.host], type: {server.host: string, server.port: integer}, } errors validate_config(config, schema) assert len(errors) 1 assert server.port 類型錯誤 in errors def test_validate_config_success(): config {server: {host: 127.0.0.1, port: 8080}} schema { required: [server.host, server.port], type: {server.host: string, server.port: integer}, } errors validate_config(config, schema) assert errors [] def test_load_json_file_not_found(): with pytest.raises(FileNotFoundError): load_json_file(no_such_file.json)上面這些代碼是 AI 生成后的典型結果你需要審查它的邏輯是否滿足需求。比如_get_nested_value函數(shù)對數(shù)組下標、嵌套數(shù)組等場景還不支持這些就是后續(xù)迭代的信號。4.5 運行與驗證在項目根目錄創(chuàng)建樣例配置文件# config.json { server: { host: 127.0.0.1, port: 8080 } }創(chuàng)建校驗規(guī)則文件# schema.json { required: [server.host, server.port], type: { server.host: string, server.port: integer } }運行命令行工具python -m src.config_validator.cli config.json schema.json預期輸出校驗未通過 - server.port 類型錯誤期望 integer實際為 str運行測試pytest -v預期輸出應該顯示所有測試用例通過。4.6 結果說明與改進方向這個案例展示了從需求分析、技能定義、提示詞編寫到代碼生成、驗證的全流程。雖然工具功能很簡單但套路完全可以在更復雜的項目中復用。接下來你可以繼續(xù)讓 AI 增加以下功能數(shù)組元素類型校驗。支持 default 默認值。支持枚舉值校驗。輸出 JSON 格式的校驗結果。每次增加功能時都先修改技能文件和任務提示詞再讓 AI 生成代碼最后用測試驗證。5. 常見問題與排查思路在把 AI Coding 應用到真實項目的過程中你大概率會遇到下面這些問題。我把常見現(xiàn)象、原因和解決思路整理成了表格方便快速查閱。問題現(xiàn)象常見原因解決思路AI 生成的代碼無法運行缺少依賴或版本不兼容檢查依賴聲明和虛擬環(huán)境手動安裝缺失依賴AI 改動了多余文件沒有明確修改范圍在提示詞中設置“只允許修改指定文件”的約束并審查 git diffAI 反復使用不存在的 API模型幻覺或訓練數(shù)據(jù)過期讓 AI 標注依賴來源人工核對官方文檔Agent 執(zhí)行了危險命令權限邊界設置過大限制 Agent 執(zhí)行命令白名單生產(chǎn)環(huán)境禁用自動執(zhí)行生成的測試用例質量低沒有明確斷言要求在驗收標準中補充“測試必須包含正常和異常兩條路徑”項目風格不一致上下文缺少編碼規(guī)范把項目的編碼規(guī)范文件放到上下文或技能目錄中上下文窗口不足項目太大、信息太多只提供核心文件路徑和關鍵函數(shù)簽名必要時分多輪對話模型輸出的錯誤提示不準確模型沒有實際運行代碼要求模型在生成代碼后給出“如何運行驗證”的說明或讓 Agent 自動執(zhí)行命令從我的經(jīng)驗來看大部分問題都不是模型能力不夠而是任務描述和上下文管理不到位。所以遇到問題時先不要急著責怪模型嘗試調整提示詞和上下文往往比換個更強的模型更有效。6. 最佳實踐與工程建議6.1 從小任務開始人工驗收不可省略AI Coding 工具最適合從“小而有明確邊界”的任務開始比如為工具函數(shù)補充單元測試。實現(xiàn)一個獨立的算法函數(shù)。重構某個模塊的命名。編寫命令行參數(shù)解析邏輯。這類任務上下文清晰、驗收標準明確AI 出錯的影響范圍也小。更重要的是開發(fā)者可以在低風險場景中積累“如何描述任務、如何給上下文、如何寫驗收標準”的經(jīng)驗。不管 AI 生成得再好人工審查和驗收都不能省略。代碼審查時要特別關注幾個點是否引入了多余依賴。是否修改了與任務無關的代碼。是否有安全漏洞比如路徑穿越、命令注入。錯誤處理是否正確。6.2 把 Prompt 模板納入版本管理在我的團隊實踐里prompts/和skills/目錄像普通源碼一樣納入 Git 管理。這樣做的好處是任務描述可以復用不用每次重新寫。團隊成員之間可以共享同一套流程。AI 生成行為更容易復現(xiàn)和調試。一個典型的提交記錄可能是feat: 新增 config-validator 技能和任務模板6.3 將 AI Coding 集成到 CI 流程如果團隊已經(jīng)使用 CI可以考慮把 AI 生成代碼的質量檢查放入流水線例如通過 Git 提交觸發(fā)測試。CI 中增加代碼風格檢查。自動運行安全掃描工具。一條基礎命令可能是pytest -v ruff check src tests不過需要提醒的是CI 自動執(zhí)行 AI 生成的代碼風險很高建議在審查通過后再合入主干。6.4 安全邊界與最小權限原則使用 AI Coding Agent 時安全邊界是重中之重。建議遵循最小權限原則不要讓 Agent 直接操作生產(chǎn)環(huán)境。不要將密鑰、Token、數(shù)據(jù)庫密碼放入提示詞或上下文。限制 Agent 可以執(zhí)行的命令尤其是刪除、覆蓋、格式化等危險操作。每次 Agent 執(zhí)行操作前先確認它要執(zhí)行的命令清單。在測試環(huán)境或沙箱環(huán)境中驗證 AI 的自動化流程。如果你在團隊內(nèi)部推廣 AI Coding最好先制定一份“AI Coding 使用規(guī)范”明確哪些操作允許、哪些操作需要人工確認、哪些操作完全禁止。6.5 記錄 Prompt 與生成結果沉淀團隊經(jīng)驗每次 AI Coding 任務完成后除了代碼提交還可以簡單記錄以下信息任務描述和使用的技能。生成結果的亮點和問題。調整了哪些提示詞才達到理想效果。下次類似任務可以復用的經(jīng)驗。這些記錄可以放在項目的 AI_NOTES.md 文件中。隨著積累團隊會逐步形成一套適合自己項目的 AI Coding 方法論而不是每次都從零開始試。6.6 不要盲目追求 Agent 全自動雖然 AI Coding Agent 看起來很強大但從工程角度看“全自動”和“質量穩(wěn)定”在短期內(nèi)很難兼得。比較穩(wěn)妥的做法是先讓 Agent 輸出計劃人工確認后再執(zhí)行。讓 Agent 修改代碼但禁止直接推到主干。讓 Agent 運行測試但保留人工檢查測試覆蓋率的環(huán)節(jié)。這套方式雖然沒有“極端自動化”那么炫酷但更符合生產(chǎn)環(huán)境的質量要求。7. 總結與后續(xù)學習方向這篇文章圍繞“AI Coding for Real Engineers”這個主題重點介紹了如何用 Do Work Skill Solution 這套技能化工作流把 AI Coding 從“生成代碼片段”升級為“完成真實開發(fā)任務”。通過前面的內(nèi)容我們可以提煉出幾個關鍵點AI Coding 分為代碼補全、對話生成、自主 Agent 三個層次工程價值依次遞增。Do Work Skill Solution 是提示詞、上下文、工具調用和驗證流程的組合核心是“讓 AI 干活”。結構化任務卡片、多文件修改計劃、技能定義文件、驗證閉環(huán)是落地 AI Coding 的四大支柱。實戰(zhàn)中建議從小任務開始明確修改范圍做好安全邊界和人工審查。如果你接下來想深入了解 AI Coding可以從這幾個方向繼續(xù)學習函數(shù)調用與工具調用理解 Agent 如何執(zhí)行外部命令和操作文件。主流 AI Coding Agent 的配置方式以官方文檔為準實踐不同工具的任務執(zhí)行流程。本地模型與私有化部署適合對數(shù)據(jù)安全要求較高的團隊。代碼評審與測試生成自動化把 AI 能力擴展更廣的工程環(huán)節(jié)。最后想說的是AI Coding 并不會取代工程師但它會持續(xù)改變工程師的工作方式。真正拉開差距的不是誰用到更新的模型而是誰能把 AI 的能力穩(wěn)定地約束在工程規(guī)范之內(nèi)。建議你先挑一個小任務按照本文的方法跑通一次完整流程然后把效果好的提示詞和技能模板沉淀下來。用著用著你就會發(fā)現(xiàn) AI Coding 開始真正幫你“干活”了。