Evaluator-Optimizer
一个步骤生成，另一个步骤评价，再根据评价改进。
什么时候用
目标有主观质量或多项验收标准时，例如文档、UI、重构、性能优化。
步骤
- 生成初稿
- 按验收标准评价
- 列出缺口
- 修复缺口
- 再次评价直到达标
风险
- 评价标准太虚
- 只改语言不改结构
- 没有停止条件
Patterns
AI Coding 工作模式
这些模式把一句 prompt 变成可检查、可改进、可恢复的过程。
Orchestrator-Workers
一个调度者拆任务，多个执行者处理局部任务，再合并结果。
什么时候用
任务能明确拆分且需要不同上下文或权限，例如大型迁移、文档盘点、模块重构。
步骤
- 定义总目标
- 拆分子任务
- 限定每个 worker 的范围
- 并行执行
- 统一合并和验收
风险
- 子任务边界不清
- 合并时冲突
- 多个 agent 权限过大
RAG Evidence Loop
按需检索证据，只把相关证据送入上下文。
什么时候用
任务依赖当前文档、代码、日志、官方 API 或知识库。
步骤
- 生成检索问题
- 取候选资料
- 过滤和重排证据
- 基于证据生成
- 标注来源和不确定性
风险
- 资料过期
- 上下文污染
- 只检索不验证
Safe Tool Calling
让 AI 用工具前，先设计接口、权限、副作用和恢复。
什么时候用
AI 要读写外部系统、数据库、支付、邮件、部署平台时。
步骤
- 拆分读写工具
- 定义 schema
- 标注副作用
- 加入幂等和审计
- 错误时可恢复
风险
- 直接暴露底层 API
- 无幂等
- 无权限边界