Appearance
AI 辅助开发与 Agentic Workflow 全景总览
回到总览：AI 时代的工程师能力
相关模块：Prompt 工程、Tool Calling 与 Agent 记忆机制 (Memory Workflow) · AI 代码评审 (Code Review) 与自动化闭环验证
一句话定义
AI 辅助开发已从早期的“单次代码补全（Autocomplete）”演进为以 LLM（大语言模型）为大脑、具备自主思考（Thinking）、工具调用（Tool Calling）、上下文记忆（Memory）与闭环验证（Verification） 能力的 Agentic Coding（Agent 智能协作）时代。
代码索引
计划补齐的实验：
labs/shared/ai-engineering/agentic-workflow-demo/— Agent 规则配置、上下文提示词与多工具调用流测试
为什么需要
- 单行代码补全（Autocomplete）和自主 Agentic Coding 的本质区别是什么？
- 一句话答：单行补全缺乏对项目全局上下文、规范约定（如 AGENTS.md / SKILL）以及运行状态的感知；而自主 Agent 能够检索整个代码库、生成 Plan 设计方案、自动修改多文件并主动运行单测与编译指令实现验证闭环。
- 为什么在 Agent 协作中必须遵循“构思方案 → 提请审核 → 分解执行”的作业顺序？
- 一句话答：盲目让 Agent 直接改代码容易引发大规模的重构漂移或代码污染；先让 Agent 产出 Implementation Plan 供工程师审阅，确认架构路线与红线无误后再启动代码改写，能最大程度降低沟通成本与风险。
- 为什么 10 年资深工程师在 AI 时代依然拥有不可替代的核心价值？
- 一句话答：AI 模型存在幻觉（Hallucination）与上下文窗口限制；资深工程师的价值在于制定工程规则（AGENTS.md / SKILL.md）、精准提问、审查 Plan 架构逻辑以及凭借经验在最后一公里进行验证与严苛把关。
底层机制
1. 软件开发 AI 演进的三大阶段
2. Agent 核心能力四要素 (The Agentic Loop)
Agentic Loop 核心要素解析
- 1. Context / Memory (上下文与记忆)：项目规范 (
AGENTS.md)、知识条目 (KI)、会话历史与规则约束。 - 2. Tool Calling (工具调用)：读写文件、操作终端 Shell、使用浏览器与本地开发环境工具。
- 3. Verification (闭环验证)：自动运行单元测试、构建编译与日志提取分析。
- 4. 反馈闭环 (Action & Feedback)：将工具执行结果与编译报错反馈给 LLM 大脑，自主纠错与迭代改进。
Android / Flutter / AI Agent 对照
| 维度 | 传统软件开发 | Agent 辅助开发范式 |
|---|---|---|
| 任务执行者 | 工程师手写每一行代码 | Agent 负责方案落盘与文件编写，工程师审核 |
| 工程约定 | 口头约定或 CodeReview 纠错 | AGENTS.md / SKILL.md 强约束规范 |
| 验证方式 | 手动点编译与测试 | Agent 自动运行 build/test 验证闭环 |
常见场景与最佳实践
1. Agent 协作的“构思 → 审核 → 落地”作业顺序
- 构思方案：要求 Agent 深入分析并生成
implementation_plan.md，明确修改范围与风险。 - 提请审核：工程师人工审阅 Plan，确认架构设计与红线合规。
- 分解执行：Agent 按批次修改代码，并运行
npm run build或单元测试验证效果。
2. 把模糊需求拆成"可验证步骤"的最小示例
"帮我把登录页加上忘记密码"是模糊需求；拆成可验证任务后 Agent 才可执行、可验收：
text
任务拆解（每步都有 输入 → 输出 → 验收标准）：
1. 读现状 → 输入: 仓库登录页代码；输出: 调用链摘要
→ 验收: 列出登录表单/接口/状态管理归属
2. 设计 → 输入: 需求 + 现状摘要；输出: implementation_plan.md
→ 验收: 明确改哪些文件、是否动接口契约（红线检查）
3. 实现 → 输入: 审核通过的 plan；输出: 代码改动
→ 验收: 语法/类型检查通过
4. 验证 → 输入: 改动后的代码；输出: 测试结果
→ 验收: 单测 + 构建通过（无验证不声明成功）
5. 汇报 → 输入: 验证结果；输出: 变更清单 + 风险点
→ 验收: 工程师可据此决定是否合并- 观察重点：每步的验收标准都落在"可运行/可检查"上，而不是"应该没问题"；这正是把 AI 当"放大器"而不是"自动生成器"的用法——模糊目标交给 AI 只会得到模糊结果。
常见误配、事故后果与排障
1. 事故：未做验证直接信任 Agent 生成的代码导致隐蔽逻辑 Bug
- 误配原因：在 Agent 修改完文件后，没有执行单元测试或编译验证，直接 Commit 提交。
- 后果：LLM 可能使用已废弃的 API 或编造了不存在的变量名（幻觉），导致线上运行时崩溃。
- 排障与修法：坚守“无验证不声明成功”红线！必须让 Agent 或手动运行编译与单测。
复习检查题
什么是 Agentic Coding 中的“闭环验证（Verification Loop）”？为什么它至关重要？
答：闭环验证是指 Agent 在修改完源代码或配置文件后，不直接结束 turn，而是主动调用 Terminal 工具运行
npm run build、gradle build或单元测试指令，获取编译输出与测试日志。如果报错，Agent 会根据日志自动发起调试与自我修正，直至命令干净通过。它确保了生成的代码不仅“看起来对”，而且在真实环境中能够正确编译运行。在 AI 辅助开发中，
AGENTS.md文件的核心作用是什么？答：
AGENTS.md是项目根目录下的“AI 协作红线与行为准则库”。它为 Agent 提供了针对该特定仓库的工程规范、代码风格、禁忌红线、双向跳转规则以及排障要求。Agent 在回答和写代码前必须先读取并严格遵守该文件，从而消除了 AI 生成代码时的随意性与架构漂移。
速记
- Agent 三要素：Context 感知、Tool 执行、Verification 闭环验证。
- 作业顺序：构思方案 → 人工审核 Plan → 批次执行与验证。
- 红线底线：坚守“无验证不声明成功”，编译单测必须跑通过。