文章目录前言第一部分先搞懂你对面坐的是个什么东西1. 为什么这玩意儿就不能好好干活1.1 一本正经地胡说八道1.2 你让它往东它把整个小区都拆了1.3 聊着聊着就变笨了1.4 它到底是怎么干活的2. 它能干什么不能干什么2.1 它擅长的语感型任务2.2 它不擅长的精确型任务第二部分怎么把任务说清楚3. 下任务这事儿真不是你想的那么简单3.1 目标、约束、验收标准一个都不能少3.2 别一上来就甩个大任务给它3.3 大任务怎么拆三个切法3.4 三个好用的招第三部分用配置换稳定性4. 一个文件解决每次开会都要重新自我介绍4.1 AGENTS.md 是什么4.2 为什么这玩意儿能提高稳定性4.3 怎么写出一个好的 AGENTS.md5. Skills 是什么给 AI 装个技能包5.1 AGENTS.md 管永远要知道的Skills 管特定任务的标准流程5.2 怎么写好一个 Skill6. 工具和 MCP给 AI 装上手脚6.1 没有工具的 AI 只是个文字处理器6.2 MCP工具界的 USB 接口第四部分构建可靠的工作流7. 凡是能写脚本的就别让它用脑子7.1 确定性的事交给确定性的东西7.2 什么时候该脚本化8. 上下文管理你的书桌就这么大8.1 token 与上下文窗口8.2 上下文污染不是塞得越多越好8.3 长对话退化该开新会话时就开9. 善用子 agent把脏活累活外包出去9.1 上下文无关的任务扔给子 agent9.2 什么适合什么不适合10. 验证闭环别信它说的看证据10.1 让 agent 自验证10.2 人工检查点有些门必须你来开最后说两句P.S. 推荐一个大神的教程给想要了解或者学习人工智能知识的读者这个教程里内容讲解通俗易懂且风趣幽默对我帮助很大。我想与大家分享这个宝藏教程请点击下方链接查看 传送门https://blog.csdn.net/qq_74013365前言你有没有过这种经历早上刚跟 AI 说好“这个函数只改返回值类型别的别动”。下午回来一看好家伙它把整个文件都重写了还顺手删了你半个组件。你问它为什么它还特别真诚“我觉得这样更优雅哦。”优雅是挺优雅的就是项目跑不起来了。这不是你运气差也不是你遇到了叛逆期的 AI。这玩意儿天生就是这样干活的。今天这篇东西不讲玄学只讲实战——为什么它总给你搞事情怎么把任务说清楚怎么用配置和流程让它变得稳定靠谱。第一部分先搞懂你对面坐的是个什么东西1. 为什么这玩意儿就不能好好干活用 AI agent 干活你会发现它有三个经典毛病比你家猫拆家还稳定。1.1 一本正经地胡说八道行话叫幻觉说白了就是瞎编。它能给你编一个根本不存在的 API语气还特别坚定就好像这个 API 是它昨天刚写的一样。你照着它的代码抄跑不起来回头质问它它还会跟你道歉“哎呀不好意思我记错了应该是另一个。”另一个也不存在。这就好比你问一个路痴朋友XX 大楼在哪他特别自信地给你指了个方向你打车过去发现是个公共厕所。他还觉得自己没错只是可能记错了。1.2 你让它往东它把整个小区都拆了行话叫遵从性差。你说只改这一个函数它顺手把旁边三个文件也优化了。你说不要加注释它每行都给你注释上还注释得特别认真生怕你看不懂。你说预算 5000它给你搞了个 50000 的方案还跟你说我给您升级了物超所值。这就像你去理发店说修一下就好托尼老师给你剪了个全新的发型还问你满意吗。你能说什么呢头发已经短了。1.3 聊着聊着就变笨了行话叫长对话退化。早上刚聊的时候它聪明伶俐反应飞快你说上句它就知道下句。聊到下午它连早上定好的规矩都忘了你跟它说我们不是说好不用这个库吗它回你“哦是吗那我改回来吧。”改回来就改回来吧它还把别的东西也改错了。这就跟你跟同事开长会一个道理。前半小时大家都精神抖擞两小时后所有人都开始放空领导问刚才说的那个方案谁来做全场沉默。AI 也一样聊久了它也累。1.4 它到底是怎么干活的说穿了大模型就是个超级接话机器。它读了几乎整个互联网的文本然后学会了一件事你前面说了一堆话它猜下一个词最可能是什么。注意是猜不是想。它并不真正理解你在说什么它只是根据上下文计算出下一个最有可能出现的词然后写出来。写完一个再把这个词加进去继续猜下一个。循环往复直到生成完一整段话。所以你以为它在思考其实它在接龙。这就解释了为什么它有时候特别聪明有时候又特别蠢——因为接龙接得好的时候看起来就像真懂了接错的时候你就觉得这怕不是个傻子。还有个关键概念叫上下文窗口。你可以把它想象成模型的书桌。桌面上能摊开的资料就那么多塞满了就放不下新的。而且桌上东西越乱它越找不到重点。这一点跟我们人类一模一样——你书桌上堆了二十本书的时候你也找不到你要的那本。2. 它能干什么不能干什么用久了你就会发现这玩意儿是偏科生。有些事情它干得特别好有些事情它干得特别烂比高中时候的你还偏科。2.1 它擅长的语感型任务写代码、改代码、解释代码——互联网上这类样本最多它语感最好。就像一个人读了一百万本小说你让他写一篇同风格的文章他写得有模有样。模式化的工作写单元测试、补类型、调格式、写文档。这些活它干得又快又好因为套路都是一样的它见多了。知识密集的问答这个报错一般是什么原因这种问题它答得往往不错因为网上的报错文章它都读过。2.2 它不擅长的精确型任务精确计算。你让它算个大数乘法它靠语感给你猜一个答案错得还挺自信。这就像让一个语文课代表去做数学题他能给你写出一篇作文但答案是错的。数字符数、排序去重这类笨功夫。它经常数错。你让它数一段文本有多少个字它给你报的数字永远跟真实数字差那么几个。你以为它偷懒其实它真的数不准——因为它不是在数是在猜这种长度的文本大概有多少字。实时信息。它的知识停在训练截止那天你问它今天的新闻它不知道。就像你问一个闭关修炼了三年刚出来的人最近发生了什么他一脸懵。超长逻辑链。一步错步步错。前面有一步理解偏了后面全跟着偏而且偏得越来越离谱。这就跟传话游戏一样第一个人说今天买了一斤苹果传到第十个人变成了明天去火星旅游。第二部分怎么把任务说清楚3. 下任务这事儿真不是你想的那么简单很多人抱怨 AI 听不懂人话但你仔细想想你自己说清楚了吗就像你遇到一个不靠谱的领导下任务的时候只说了个大概“小王啊你把那个页面搞一下”。等你搞完了他又说我要的不是这个效果。你心里是不是特别想骂街AI 也一样。你没说清楚目标、要求、边界它怎么知道你到底要什么它又不能读心。3.1 目标、约束、验收标准一个都不能少给 AI 下任务跟给装修队下单是一个道理。你说帮我把客厅弄一下装修队八成装不出你想要的样子。一张靠谱的需求单要有三样东西目标干什么。比如把客厅刷成暖白色。约束什么不能碰。比如预算 5000不要动吊顶家具不用搬。验收标准做到什么程度算完。比如墙面无色差踢脚线恢复原位。给 AI 下任务也是这个套路。你看看下面的对比差优化一下这个页面 好这个页面首屏加载要压到 2 秒内目标。 不要改接口协议不要引入新的大型依赖约束。 用 Lighthouse 跑分Performance 不低于 90 且现有测试全部通过验收标准。你说优化一下它给你优化成什么样全凭它心情。你把标准说死了它就只能在你画的圈子里转。这就像你去吃饭你说随便来点好吃的厨师给你上什么你都得接着。你说我要一份微辣的牛肉面不要香菜多加牛肉厨师就知道该怎么做了。3.2 别一上来就甩个大任务给它新人最容易犯的错一上来就把巨型需求甩给 AI——“帮我把这个项目从 Vue 2 迁移到 Vue 3”。这就像你让装修队三个月后交房时再看。等他装完了你一看好家伙墙砌错了水电全改了你后悔都来不及。大任务里任何一步理解偏了后面的步骤都会跟着偏最后整体跑偏。就跟你走错了第一步一样后面越走越远最后你发现自己走到隔壁小区去了。正确做法是小步走第 1 步先迁移构建配置跑通 第 2 步迁移一个最简单的页面验证模式 第 3 步总结成迁移规范写进 AGENTS.md 第 4 步按规范批量迁移每批跑一次测试每一步都有验证有验证就有退路。宁可慢不可失控。这话听着像鸡汤但真的是血泪经验。你以为你在提速其实你在给自己挖坑。坑挖深了你自己都爬不上来。3.3 大任务怎么拆三个切法按模块拆。登录、订单、支付分开做互不干扰。一个模块搞砸了不会连累别的模块。按层次拆。先数据层、再服务层、再 UI 层。从下往上搭一层一层来别跳步。按风险拆。最没把握的部分先做小实验探路确认可行了再铺开。就像你过河先伸一只脚试试水深别直接跳进去。拆分标准就一条每一小步做完你都能在几分钟内判断对不对。判断不了说明步子还是太大了。你想想是不是经常遇到这种情况——AI 说我做完了你一看代码完全不知道它做的对不对因为它一口气干了太多事。这就是步子迈太大了容易扯着蛋。3.4 三个好用的招Plan 模式——先计划再动手。就是让它先只读代码不出手改先给你列一份计划改哪些文件、分几步、每步怎么验证。你批准了它才开始动手。这招拦住的是什么是边想边做式的跑偏。方向错了在计划阶段就能拦下——改计划比改代码便宜两个数量级。就像你出差先看一眼地图确认方向再出发。而不是闭着眼走走了两小时发现方向反了。审批计划的时候重点看两样打算动哪些文件、每步怎么验证。这两样对了执行阶段基本稳。grill-me——让它反过来盘问你。任务描述最常见的漏洞不是你写错了而是你脑子里的信息没全写出来。你以为的常识它不知道。补这个缺口最快的办法是让它开工前主动盘问你开工前把你需要确认的问题一次问完。 每个问题附 2-3 个候选答案和你的倾向我来挑。注意让它出选择题不要出问答题。开放问题你得从零想选择题你只负责挑快一个量级。这招还有个意外收获你自己也没完全想清楚的任务它问着问着你把需求理清了。相当于免费做了一次需求咨询。就像你去理发店托尼老师问你要怎么剪你本来没想好他一问剪短一点还是保持长度你突然就知道自己要什么了。多方案对比——别让它给你一个方案就完事。你让它出方案它端上来的第一个方案是它语感最顺的惯性路径。你一点头就被它锚定了后面再改都是在它那个方案底下修修补补。差给我一个迁移方案 好给我 2-3 个可行方案各列优缺点、工作量和风险 最后附你的推荐和理由。强制对比会逼它把搜索范围放宽。更重要的是选方向的决定权回到了你手里。三个方案里经常藏着比默认答案好得多的选项。这就像你买手机销售直接给你推荐一款你可能就买了。但你说给我对比三款你才发现原来有更好的选择。三招各管一个失效环节Plan 模式拦跑偏grill-me 堵信息缺口多方案防锚定。它们不冲突复杂任务的完整流程往往是先进 Plan 模式在里面用 grill-me 把问题问清、用多方案对比选定方向最后审批计划开工。第三部分用配置换稳定性4. 一个文件解决每次开会都要重新自我介绍4.1 AGENTS.md 是什么还记得那个最烦人的痛点吗每次新会话AI 都失忆了。技术栈是什么、用什么命令跑测试、代码规范是什么——每开一个新窗口你都要重新交代一遍。光热身就要几分钟比你早上到公司开电脑还慢。AGENTS.md 就是解药。一个放在项目根目录的 Markdown 文件AI 每次启动都会自动读它。它最早是 OpenAI 的 Codex CLI 搞出来的因为太实用了各家编程 AI 纷纷跟上现在基本成了事实标准。就像当年的 USB 接口大家都觉得好用就都支持了。4.2 为什么这玩意儿能提高稳定性机制很简单AI 每次启动AGENTS.md 的内容会被自动注入上下文而且通常是优先级最高的位置。就像把最重要的东西永远摆在书桌最显眼的地方。这正好解决两个根子问题第一对抗失忆。跨会话的约定有了持久载体不用每次重复交代。就像你给新员工写了份入职手册不用每天早上跟他说一遍我们公司用 pnpm 不是 npm。第二对抗跑偏。规范以书面形式存在遵从度比口头约束高得多。项目用 pnpm写在手册里比你在对话里说十遍都管用。这话真的不夸张。你在对话里说我们不用这个库聊了几轮之后它可能就忘了。但写在 AGENTS.md 里它每次启动都会看到就不敢随便乱来了。4.3 怎么写出一个好的 AGENTS.md核心原则当成写给新实习生的入职手册来写。要短。没人会认真看 100 页的手册。控制在 100 行以内重要的事放前面。模型对开头和结尾的内容更敏感中间的容易被忽略——这一点跟人一模一样你看书也是开头认真看中间就开始跳了。只写它自己发现不了的信息。代码要写好这种废话不要写。测试用 vitest 不用 jest因为历史原因这种才值得写。多用不要。约束比期望好用。“不要动 legacy/ 目录”、“不要自行升级依赖”防跑偏效果立竿见影。包含命令。怎么构建、怎么跑测试、怎么 lint——给它命令它就能自己验证。一个实用的骨架长这样# AGENTS.md ## 1. 项目概述 一段话说清楚项目是什么、技术栈、仓库结构。 前 10 行必须让 AI 建立项目心智模型。 ## 2. 快速命令 构建、启动、格式化、质量检查的命令速查表。 环境变量配置说明env 文件位置、启动脚本自动 source。 ## 3. 后端架构 包结构树ASCII 每个包的用途注释。 核心子系统的简要说明 详细文档链接。 前后端术语映射如有差异。 ## 4. 前端架构 技术栈、路由方案、API 层约定、组件库规范。 详细文档链接。 ## 5. 关键约定 5-10 条硬性编码规则违反会直接导致问题的。 每条规则附详细文档链接。 ## 6. 本地开发及验证流程 「改 → 构建 → 启动 → 验证」的完整闭环。 curl 验证模板、Token 获取、日志路径。 ## 7. 质量检查 lint、format、build、test 命令矩阵。 ## 8. 参考项目约定 参考项目列表 优先级规则。 ## 9. 文档导航 所有详细文档的索引表。最后一条最容易被忽视AGENTS.md 是活文档。每次 AI 犯错、你纠正了它就想想这个教训要不要写进手册。踩一个坑补一条。手册越写越厚AI 越用越稳。这就跟你养孩子一样——每次他犯了错你就教他一次下次他就不会再犯了。AI 也一样它不记仇但它记手册。5. Skills 是什么给 AI 装个技能包5.1 AGENTS.md 管永远要知道的Skills 管特定任务的标准流程Skill 就是给 AI 编程助手加装的能力包。本质上它是一种结构化的提示词工程——把分散在你脑子里的领域知识、操作流程和最佳实践转化成 AI 能理解、能执行的指令集。物理上看它就是一个文件夹里面放一个 SKILL.md 文件再加上一些可选的脚本和参考资料。核心是三样东西指令告诉 AI 该怎么干活按什么步骤来、上下文告诉 AI 项目背景、团队规范这些它不可能凭空知道的东西、工具一些辅助脚本、配置模板AI 可以直接拿来用。机制上有个精巧的设计叫渐进式披露。AI 平时只看到每个 Skill 的目录页——名称加简介用到哪个才翻开哪本。就像工具挂在墙上一眼扫过去知道有什么用的时候才取下来不会把工作台堆满。还记得书桌比喻吗桌子就那么大别什么都往上堆。Skills 能干什么固化复杂流程。比如发布版本要跑十几个步骤写成 Skill以后一句话触发。不用每次都从头跟 AI 说一遍先跑这个再跑那个然后检查那个。沉淀领域知识。比如我们公司的 API 错误码规范写成 Skill 随取随用。不用每次都把规范重新贴一遍。跨会话记忆。社区里流行的 memory-bank 类 Skill把重要信息分类存档、按需加载。相当于给金鱼记忆的 AI 装了一块硬盘——会话关了记忆还在。5.2 怎么写好一个 Skill一个 Skill 只干一件事。发布流程和代码规范分成两个不要揉在一起。揉在一起的结果就是两个都干不好就像你同时学吉他和钢琴最后哪个都半吊子。触发描述写清楚。Skill 的描述决定了它什么时候被使用描述含糊该用的时候它想不起来。就像你给文件命名新建文档最终版真的最终版过两天你自己都忘了里面是啥。步骤可执行。写成先跑 X 命令检查 Y 输出再做 Z而不是认真仔细地处理好发布。后者等于没说——认真仔细这四个字在任何说明书里都是废话。让流程自验证。步骤里嵌入检查点跑测试、看输出AI 自己就能发现偏差。不用你盯着它自己就知道哪里不对。判断一个 Skill 写得好不好就问一个问题新来的同事拿着这份 SOP能不能不问任何人就把事办了能就是好 Skill。不能就继续改。6. 工具和 MCP给 AI 装上手脚6.1 没有工具的 AI 只是个文字处理器没有工具的大模型本质上就是个高级文本框。你问它什么它打字回答你仅此而已。有了工具它才真正长出了手脚能读写文件、执行命令、搜索代码成了我们说的Agent。工具调用的流程是这样的AI 分析任务决定用哪个工具传参调用拿到结果再决定下一步。一轮干不完就多轮循环看起来就有了自主干活的样子。这套东西你基本不用操心。主流的编程 AI 出厂就内置了读写文件、搜索代码、执行命令、抓取网页——开箱即用。你平时看到的打开文件看了看、“跑了一遍测试”背后就是一次次工具调用只是你完全无感。就像你走路的时候不会想到自己在调用腿部肌肉。你只是在走肌肉自己会动。真正需要你主动出手装工具的只有一种情况内置工具够不着的外部世界——数据库、浏览器、公司内部系统。6.2 MCP工具界的 USB 接口工具虽好但早期各家 AI 接工具的方式互不兼容。同一个功能你要为每个平台各写一遍。就像当年手机充电器苹果一个口安卓一个口诺基亚一个口出门带三个充电器。MCP 就是为解决这个问题的开放协议——像 USB 接口一样定义了工具和 AI 之间的标准插口。实际使用不需要深入协议细节记住三点就行现成的 MCP server 开箱即用。文件系统、Git、数据库查询、浏览器操作、文档检索……一大堆直接用。配置一次所有支持 MCP 的 AI 都能用。就像 USB 鼠标插哪个电脑都能用。可以为团队内部系统写一个 MCP server让 AI 直连内部工具。比如你公司的审批系统、知识库都可以接进去。第四部分构建可靠的工作流7. 凡是能写脚本的就别让它用脑子7.1 确定性的事交给确定性的东西记住这个原则凡是能写脚本的就不要让模型用脑子做。模型是语感型选手让它做精确计算经常出问题。常见踩雷场景让模型数一下有多少条记录、“算个汇总”——数字经常是错的。你以为它在数其实它在猜这种数据集大概有多少条。让模型按这个规则重新排序这两千行——总有几行排错。两千行它还能勉强记着两万行它就开始自由发挥了。让模型按模板批量改 50 个文件——改到第 30 个开始自由发挥。前 30 个规规矩矩后 20 个就开始我觉得这样更好了。正确姿势是让它当指挥脚本当乐器差帮我把 data.json 里的记录按时间排序并统计总数 好写一个脚本把 data.json 里的记录按时间排序并统计总数然后运行它后者模型写脚本它擅长脚本做计算脚本擅长。各干各的擅长事结果就是确定的。这就像让一个文案去算账她能给你算出一篇散文但让她写个 Excel 公式公式自己算得清清楚楚。7.2 什么时候该脚本化识别标准同一套规则要重复应用到大量数据上的都该脚本化。排序、统计、批量重命名、格式转换、批量文件修改……符合以下几个标准中的一条或者几条就该考虑脚本化数据量大。条目一多模型的数感就撑不住。它不是在数数是在猜下一个词。规则清晰。“按创建时间倒序”、“重复的只留一条”一句话没有歧义。准确性要求高。错一条就脏数据、要返工的活别赌它的语感。重复性高。今天干完下周还会再干的活。一次性的小事可以偷懒但要跑第二次的就值得花三分钟让 AI 写个脚本。四个信号背后是同一条分工原则规则明确的交给脚本需要理解和判断的留给模型。把这两千行按时间排序是前者把这段文案改得亲切一点是后者——后者没有规则可写硬要脚本化只会得到僵硬的结果。脚本化的好处也不止准确性可复现。脚本跑一万遍结果都一样——相当于把模型手里的骰子换成齿轮确定性不再看运气。可审计。让脚本自己输出统计——“处理 2000 条成功 1998跳过 2”——比让模型口头汇报靠谱。它汇报的数字同样可能是编的。可沉淀。脚本进了 repo 就是资产下次一句话重跑。和 AGENTS.md 一个思路把怎么做沉淀成文件而不是每次重新交代。省上下文。让模型逐条处理 2000 行上下文长度大消耗的 token 也多。使用脚本则只用很少的 token甚至可以不用 token。8. 上下文管理你的书桌就这么大8.1 token 与上下文窗口上下文就是 AI 在回答你这一刻手边能看到、能拿来参考的信息。你可以把它想象成一张工作桌。你刚刚问的问题是桌上的任务单你上传的文件是参考资料前面确认过的要求和结论也是桌上放着的纸张。AI 每次回答问题都会根据这些信息判断你现在想做什么、前面聊到了哪里、接下来该怎么回答。模型的书桌是有限的。这就是为什么把整个项目都喂给它行不通——桌子就这么大全堆上去重要的东西反而被挤到角落了。8.2 上下文污染不是塞得越多越好新手常犯的另一个错把能找到的资料全部贴给模型心想信息越全越好。恰恰相反。无关信息会污染上下文。就像你正专心写代码旁边同事一直聊昨晚的球赛。球赛本身没错但它占用了你的注意力。模型也一样桌上的垃圾越多它越容易接错话把废弃代码当有效约束、把旧方案当新需求。实践建议给文件要给相关的别以防万一地多给贴日志要贴报错那段别贴全量日志。你想想你自己工作的时候是不是也不喜欢桌面上堆一堆乱七八糟的东西AI 跟你一样桌子越干净干活越利索。8.3 长对话退化该开新会话时就开一个会话聊得越久桌上的东西越多早期的重要约定就越容易被挤模糊。你一定体会过下午的 AI 明显比上午的笨。怎么办一个会话干一件事干完就换新会话。别恋战。发现 AI 开始忘事、答非所问果断开新窗口。就像你跟同事聊天聊跑题了不如重新开个头。重要的结论——决策、规范、踩过的坑——及时沉淀到 AGENTS.md别指望它记住。它记不住的你自己也记不住写下来才是真的。9. 善用子 agent把脏活累活外包出去9.1 上下文无关的任务扔给子 agent主会话的上下文是宝贵资源。有些活儿很占桌面但产出其实很小“在整个代码库里调研支付模块的现状”——要读几十个文件结论就几行。“审一遍这次改动有没有安全问题”——要翻大量代码结论是有/没有。这类任务用子 agent主 AI 派一个分身去干分身自己开一张新书桌读它需要读的一切干完后只把结论交回来中间过程一概不占主会话的桌面。就像项目经理把调研外包给顾问顾问回去翻了三天资料最后交回一页纸报告。你不用陪他翻资料你的会议室保持清爽。9.2 什么适合什么不适合适合交给子 agent 的调研类。代码库摸底、方案调研、日志排查。审查类。代码 review、安全扫描。并行任务。互不依赖的几个模块派多个子 agent 同时干。不适合的强依赖主对话上下文的任务。子 agent 看不到你们的聊天记录所有背景要在任务里重新交代。需要反复来回讨论的任务。每次来回都要重新描述背景得不偿失。一句话子 agent 换来主上下文的清爽代价是背景信息要重新交代。信息密度低、过程重的活儿这笔交易就划算。就像你请搬家公司你不用自己动手搬但你得告诉他们搬什么、搬到哪——这点信息成本换来了你不用累个半死。10. 验证闭环别信它说的看证据10.1 让 agent 自验证AI 说已完成只是它的主观感受不是事实。就像你家孩子跟你说我作业写完了你信吗你得检查一下。规则很简单能在机器上验证的就不要用眼睛验证。让它改完代码跑测试“改完后运行测试贴出结果”。让它修完 Bug 编译一遍“确认编译通过再交给我”。有 lint 就让它 lint有类型检查就让它跑类型检查。把验收标准直接写进任务里AI 会自己闭环。你的 review 从检查对不对变成抽查它有没有骗我工作量骤降。10.2 人工检查点有些门必须你来开分级设卡危险操作必须人工确认高危删文件、改数据库、发布上线、git push、花钱的 API 调用——必须人工点头。中危批量修改、依赖变更——AI 做完后人工过目。低危单文件小改、注释文档——抽查即可。大多数编程 AI 支持权限配置把这些门槛设成默认既安全又不啰嗦。原则就一条事故的代价越高检查点越靠前。你想想删错一个文件和改错一个注释哪个后果严重肯定是删文件。所以删文件必须你点头改注释可以让它自由发挥。这就像开车刹车要自己踩导航可以听机器的。但真到了十字路口方向盘得在你手里。最后说两句用 AI agent 干活本质上不是让 AI 替你写代码而是你指挥 AI 干活。指挥得好它就是你的得力助手一个顶仨。指挥得不好它就是那个帮倒忙的实习生你还得给他擦屁股。今天说的这些没有什么高深理论都是实战里踩坑踩出来的经验。你不用全记住先挑一两个用起来用顺手了再慢慢加。毕竟驯这玩意儿跟养猫差不多——你得先搞懂它的脾气才能让它乖乖听话。P.S. 推荐一个大神的教程给想要了解或者学习人工智能知识的读者这个教程里内容讲解通俗易懂且风趣幽默对我帮助很大。我想与大家分享这个宝藏教程请点击下方链接查看传送门https://blog.csdn.net/qq_74013365