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。

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

  1. 生成初稿
  2. 按验收标准评价
  3. 列出缺口
  4. 修复缺口
  5. 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

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

  1. 定义总目标
  2. 拆分子任务
  3. 限定每个 worker 的范围
  4. 并行执行
  5. 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

  1. 生成检索问题
  2. 取候选资料
  3. 过滤和重排证据
  4. 基于证据生成
  5. 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

  1. 拆分读写工具
  2. 定义 schema
  3. 标注副作用
  4. 加入幂等和审计
  5. 错误时可恢复

风险

  • 直接暴露底层 API
  • 无幂等
  • 无权限边界