一位开发者在技术论坛分享了使用 AI Agent 进行编程开发的六条实战经验。第一，动手前先让 AI 进入 Plan 模式，只读文件并输出方案，花一两分钟确认改动范围和假设是否正确，方向对了再执行，避免直接改代码导致越改越乱。第二，交叉审查，不让同一个模型既写功能又跑自测，因为写代码时漏掉的盲区，模型自己补测试大概率也发现不了，改用一个模型写代码、另一个模型审查，能准确抓出逻辑漏洞。第三，规范拆分加载，AGENTS.md 堆得太长容易污染上下文，只保留项目骨架和常用命令，把查库、发版、写特定组件等固定流程抽成独立的 SKILL.md，需要时再加载。第四，边界约束依靠 Hooks 和 Linter 等工具而非提示词，通过挂载 pre-commit 钩子和类型检查实现自动格式化与错误打回，避免模型在长任务中遗忘规则。第五，并行任务使用 git worktree，多终端让 Agent 并行工作时各用独立 worktree，测试通过后再合并，避免同一目录抢文件。第六，定期代码瘦身，AI 单次改动能通过测试，但两三周下来容易积累冗余封装和无人调用的死代码，需定期开专门任务清理废弃逻辑并对齐文档。作者总结称软件工程范式正变得越来越重要，并表示自己在进行 AI Agent 研究和算法应用探索。
事件分析
这篇文章的价值不在于单一技巧，而是反映出 AI 编程实践正从“提示词调优”整体转向“工程化流程管控”。文中提到的 Plan Mode、SKILL.md、Hooks 与 Anthropic 在 Claude Code 中推行的 Agent Skills 和上下文工程方向高度吻合，说明头部工具的官方设计理念已沉淀为社区共识。交叉审查的做法暴露出单一模型自测存在系统性盲区，多模型互查有望成为 AI 时代的代码质量保障新范式。git worktree 隔离并行任务的方案解决了多 Agent 协作的文件冲突痛点，可能催生更成熟的任务编排与沙箱工具。从产业视角看，团队引入 AI 编程的瓶颈已不在模型能力本身，而在代码规范、审查流程与工具链建设，企业落地时需要重新设计研发流程而非简单堆模型。
核心观点：AI 编程的上限不由模型决定，而由工程流程决定——人的价值正从写代码转向设计规则与守护边界。
原文链接：Linux.do
