Agent
面向 Agent 编程
面向 Agent 编程
Vibe Coding
设计哲学与最佳实践
写在前面
过年期间深度改造了 vibe coding 工作流 从 Copilot Pro 到完整的 Agentic Workflow 实践项目：MailBot、Ark、mpy-cli、codex-gateway
这篇文章是写给谁的？更多的是实验室内部培训。 这篇文章是怎么写出的？阅读、归纳、实践
前置知识
- AI 编程常见通用名词：Agent、Vibe Coding、Agentic Development
- LLM 相关：Token、Transformer、上下文窗口、幻觉
- Git / GitHub 以及常见工作范式：CI/CD、PR、Code Review
- 常见的 Agent 功能：Skills、MCP、Commands、Agent、Subagent
工作流
我现在的工作流是 OpenCode + Codex / Copilot + Superpowers Fork 小任务用自己的订阅 (按 Token 计费) 大任务换 Copilot (按次数计费) 写了一个 codex-gateway 转发 OAuth 订阅
Superpowers
Agent 不同于 Chat Bot 的两个点： 有手有脚：更改容易逃过 Review 变成史山 能力极强：LLM 代码能力远超个人 重心转移：从 Coding 到 Prompt Engineering 设计合理的边界条件规范 LLM 行为
ReAct 机制
Reasoning and Acting 核心思想：强制模型获取外部信息，减少幻觉 动态反馈状态机闭环： Thought (思考) -> Action (行动) -> Observation (观察) 优化方式：帮助模型在 ReAct 循环中搜集信息
上下文管理
Transformer 架构限制与固定上下文窗口 按进入时机分类： 每次发消息：系统提示词、元数据、AGENTS.md、Skills 列表 运行过程中：Skill 正文、按需读取的文件、Tools 上下文 原则：让所有的上下文都具有弹性
意图对齐
自然语言描述是模糊的，容易产生语义扩展
Brainstorming Skill
链路：需求 - Plan - Plan Review - Coding
解耦 Code Review 和 Plan Review
持久化方案：写入 doc/plans 并提交 Git
TDD
测试驱动开发 (Test-Driven Development) 红-绿-重构 循环 在编写业务逻辑代码之前，先编写测试代码 通过测试和业务代码对抗，有效防止 AI 写 Bug
Subagent
任务分发给子 Agent 完成 减少主 Agent 的无用上下文占用 注入不同的角色设定提示词，激发专业操作 符合 Everything in Skills 设计理念
Code Review
软件开发生命周期的关键质量保证环节
迁移到 Agentic Workflow
通过 Code Review Agent 对 Coding Agent 进行检查
自动使用 requesting-code-review 和 receiving-code-review
项目级 Memory
跨 Session 连续性与自我进化
基于轻量级 RAG 的 .progress 体系
记录 Debug 日志、功能开发日志与 Global TOC 索引
让 Agent 随项目一起进化
Everything in CLI
万物皆可命令行 建立 Agent Friendly 的接入层 Agent 更适合纯文本的输入与输出 GUI 对程序非必须，只要有合适的用户接口
Everything in Skills
skills 是 superpowers 的核心抽象
不应该额外抽象成一套跨平台统一系统
平台原生机制 > 额外包装层
只学会写 Skills 就足够覆盖所有场景
软件工程
对 AI 用软件工程，防止写出史山
设计范式
YAGNI (你通常不需要它)：阻止塞入不需要的废料 DRY (不要重复自己)：将现有代码整理干净
架构治理
高内聚：模块职责清晰，任务单一 低耦合：模块间减少相互依赖
Git 工作流
Commit Message：参考 Angular 提交信息规范 Git Branch：dev 与 main 分支管理
OOP
面向对象编程 (Object-Oriented Programming) 将现实世界中的事物抽象为各类对象 围绕对象的数据和行为来组织代码结构
最佳实践
Best Practice：业界认可的最有效方法 TDD、DRY、YAGNI、Code Review 均属此类 通过 Agent 寻找并参考业内最佳实践
苦涩的教训与 Scaling Law
苦涩的教训 算力（通用计算能力）最终总是胜过人类先验知识 寻找最适合 AI 理解的简单范式
Scaling Law 性能与计算量、参数量和数据量呈幂律关系 谁掌握了数据，谁就有话语权
我的配置
杂谈
关于思考: 人类擅长从宏大模糊问题中找解，多 IO 整理思路
技术选型：选适合 AI 发挥的 (如 Go、SQLite) 选新技术而非仅靠熟悉的技术
成本控制: Cache Hit、国内模型、模型选择
工程能力: 好的 Infra 决定产出速度，从失败中改进工作流
Project Based Learning：从项目、实践中学习
写在最后
对于工程：对 AI 用软件工程，积极 Review，学习最佳实践 对于个人：多 IO (阅读、思考、实践)，保持学习，跳出舒适区 技术可能会过时，但学习与思考的能力总是硬通货。