# 当AI开始帮我写代码:我的AI辅助开发工作流


## 前言

这个博客停更的五年，正好是 AI 编码工具从无到有、从玩具变成生产力的五年。2026 年回头再看，我的开发方式已经被彻底改变了。这篇文章记录一下我的 AI 辅助开发工作流的演进过程和现状，算是给这个时代留个注脚。

## 演进的三个阶段

### 阶段一:补全工具(2023)

刚开始用 AI 辅助编码的时候，它就是一个"高级自动补全"：写一行注释，它帮你补全一个函数。这个阶段的特点是**人在写，AI 在猜**。效率有提升，但代码的整体结构还是完全由自己掌控。

### 阶段二:对话式结对编程(2024-2025)

Chat 类工具流行起来之后，我习惯变成：描述一个函数的需求 → AI 给出实现 → 自己 review、贴回项目。这个阶段省掉了大量"查文档、抄示例"的时间，典型受益场景：

- 不熟悉的语言/框架快速上手(2023 年我转 TypeScript 前端栈，AI 帮了大忙)
- 写单测、写正则、写 SQL 这类"模式明确"的代码
- 读老代码:把看不懂的函数丢给它解释

### 阶段三:Agent 接管工作流(2026)

真正质变的是 agent 模式的成熟。现在我的日常开发是这样的：

1. **需求进工单**:把想法写成 spec 或 ticket，描述清楚边界和验收标准
2. **agent 领任务**:在终端里给 agent 分派工单，它自己读代码、写测试、实现、跑 typecheck，完成后提交
3. **人做 review**:我看 diff、跑测试、验收，不合格打回

一个 AI 深度参与的典型项目:Goal-Dashboard——它本身就是一个 agent 工具链的插件(DeepSeek Harness 的目标看板)，把"目标 → 任务 → 完成"的流程可视化。**用 AI 造管理 AI 的工具**，这种套娃是 2026 年的日常。

## 我的工作流配置

- **工程规范前置**:把编码规范、提交规范、项目结构约定写成仓库里的说明文件，agent 的产出质量直接取决于这些"规矩"写得多清楚
- **skills 工作流**:参考 mattpocock/skills 的思路，把"实现、TDD、code review、debug"等常见任务做成可复用的技能，让 agent 按纪律干活而不是自由发挥
- **小步快跑**:一次给 agent 的任务粒度控制在"一次能 review 完"的大小，宁可多派几轮
- **测试兜底**:凡是 agent 写的代码，必须有测试兜底。AI 写代码很快，但没有测试的快就是负资产

## 什么没变

工具变了，有些东西反而更重要了：

- **架构能力**:agent 可以写对一个函数，但"这个系统该怎么分层"仍然需要人来定
- **需求理解**:把自己脑子里的想法讲清楚，成了新的核心技能
- **审美与取舍**:技术选型、做还是不做、做多少，这些决策 AI 给不了答案

## 小结

五年前写这个博客的时候，我在学 Django 学爬虫;五年后的今天，我在给 agent 写工作规范。变化的是工具，不变的是"用技术解决自己的问题"这个初心。

博客现在恢复更新了，后面打算把 AI 工作流的实践继续写成一个系列。如果你也在 2026 年看到这篇文章——欢迎交流。