Skip to content

AI Coding 工作流探索

· 9 min

1. AI 写的代码，你敢直接上线吗？提效，还是埋雷？#

当你 10 分钟用 AI 完成了一个需求，功能全部都通过，代码你也简单过了一遍，此时你“敢”合并代码上线吗？

2. 六个真实的来自小伙伴的问题#

  1. 校验耗时：AI Coding 内容校验，检查也耗时，直接用可能出现风险，对于一部分超出自己能力范围的编码，很难看懂逻辑做好校验；
  2. 缺乏稳定工作流：对提示词要求比较高，如果没有写好技术方案可能写出来的质量也不一定贴合和高（缺乏可复用、结构化的 Prompt 与方法论）
  3. 复杂场景卡死：复杂场景AI自己也修不好除了推倒重来有什么好的办法
  4. Token 费用焦虑：Token 成本与消耗不可感知，存在费用焦虑（理解不同操作行为的 Token 消耗量级与评估方式)
  5. 排查反噬效率：复杂场景下出错后排查成本高，可能反噬效率
  6. 规范/业务一致性不稳：AI 生成代码在 项目规范与业务一致性 上存在不确定性 ( 探索 AI 如何更紧密地与真实业务、工程规范结合）

上面的 6 个问题正是我们本次要探索的方向：如何探索一套稳定的 AI Coding 工作流？

3. 文档驱动#

3.1 Spec-first：以 spec-kit / openspec / superpowsers 为代表的做法#

简单来说三者的流程大致都是 先把需求聊明白 -> 落地计划 -> 分阶段执行的任务 -> 执行

Spec Kit 更像一套正规的阶段门工程流程。 它把整个开发过程拆成清晰的阶段：先定宪法（constitution），再写规范（specify）、做计划（plan）、拆任务（tasks），最后实现（implement）。强调“规范驱动开发（Spec-Driven Development）”，一步一步来，像传统软件工程里的阶段评审，比较结构化、仪式感强，适合想把流程走得规范一点的场景。

OpenSpec 更像一个轻量、围绕变更（Change）的文档管理系统。 它的核心是以一次“change”作为一个文件夹，里面放 proposal、spec、design、tasks 等文档。想改就改，随时更新，不搞死板的阶段门。做完就用 /opsx 执行，再 /opsx 归档，非常灵活，特别适合 brownfield 项目（已有代码的项目）和需要频繁小改的迭代场景。

Superpowers 更像给 Coding Agent 装上的一套强制工作流技能库。 它不怎么管你用什么文件夹结构，而是重点教 Agent “必须按这个纪律做事”：先 brainstorm → 写设计和计划 → 用 subagent 执行 → 必须做 TDD（红绿重构）→ code review → 最后用 worktree 收尾分支。强调执行过程中的工程质量和严谨性，像给 Agent 植入了一套专业开发方法论。

简单一句话总结区别：

实际体验中 Superpowers 较为灵活，可以基于 Superpowers 构建自己的工作流

看起来还不错，但是这三个能解决文档驱动的问题吗？ 上面部分都是对于新需求的工作流，已有的代码怎么处理？，如何让 AI 快速定位到代码？

3.2 DeepWiki#

以 devin 的工作流作为参考， devin 在导入项目时，会先给项目生成一个 deepwiki

devin-deepwiki

复杂项目里，AI 最烧时间/Token 的往往不是写代码，而是“理解项目”。 所以清晰、可追溯的项目文档，可以让 AI 精准了解项目背景 但 deepwiki 如何和开发过程中使用 spec 结合起来呢？新开发的功能如何同步到 deepwiki ?

3.3 融合方案#

Superpowers + 类 deepwiki

  1. 使用 Superpowers 进行开发
  2. 文档结构：
    • 根目录下 CLAUDE.md 仅承载稳定上下文：目录职责、结构边界、公共契约、关键约束、核心入口
    • docs 目录下有三个子目录：
      • design: 架构文档
      • plans: 新需求的设计文档 / 实现计划，需求做完之后需要归档到 design 目录下
      • reference: 工作流，项目规范等
AGENTS.md -> CLAUDE.md
CLAUDE.md
docs
├── design
├── plans
│ ├── 2026-03-20-platform-graph-scope.md
│ └── ...
└── reference
├── build-and-deploy-baselines.md
├── collaboration-and-delivery.md
├── design-system.md
├── testing-and-validation.md
└── ...

4. AI Code Review#

一些商业的 code review 产品：

5. 工具#

5.1 我正在用的#

  1. Claude code、Codex 为主
  2. Cursor
  3. Antigravity：自带的 spec、浏览器自动化、免费额度
  4. droid：像 cursor 一样可以使用多模型，agent 编排做的不错
  5. ampcode：多 agent、多模型协作做的不错，https://ampcode.com/models 可以看看他们对不同模型特点的理解

5.2 多 Agent 为代表：apmcode / opencode + ohmyopencode#

opencode + ohmyopencode 会大量利用 subagent 处理需求，利用不同模型的能力来处理擅长的事情，但同样存在一些问题：

  1. 多 agent 交接存在信息丢失
  2. 虽然主线程的上下文减少，但是整体 Token 量爆炸

虽然我们不一定用 opencode 多 agent 这种多 agent CLI，但是可以同样可以看看不同模型的特性和用法：

  1. gpt-5.4-codex-xhigh(or high)：
  1. Claude opus 4.6：
  1. gemini-3.1-pro:

如果你在用 cursor auto，换个好模型，你会发现新世界

5.3 并行推进多个需求：worktree#

worktree

5.4 SKILL#

一些官方源, 找一些最佳实践的 skill： vercel-react-best-practices、frontend-design、agent-browser …

  1. https://skills.sh/
  2. https://skillsmp.com/
  3. https://clawhub.ai/skills

6 相关链接#

文章/社区经验：

Subagent / Claude Code 相关：

MCP 工具：

Neovate code（spec driven 案例与命令）： https://neovateai.dev/zh-CN/docs/spec-driven

Claude / Cursor 教程：