如何使用AI搭建工作流

原文链接：https://www.yuque.com/yopai/pp6bv5/sig14axlkrxtavor

如果你现在用的是 Cursor 或 Claude、TRAE，但仍觉得产出不稳，下面这套工作流你可以看看。

整体流程

目前开发流程主要是先和 AI 聊需求确定方案，然后产出一份设计及 Plan 文档，接下来就是 AI 狠狠干，业务代码和测试代码都加上，并且会自动化测试、排查以及修复，最后多 Agent 多维度 Review + 人工 Review 收尾。

AI编码前

拿到需求后，尤其是中大型需求，不要把几句话扔给 AI 就让它开写。很多人说 AI 不好用，问题往往就出在这一步。

上下文非常关键。我们和产品对需求都是要来回确认几轮，不可能指望 AI 靠几句描述就完全理解需求并能完美执行。

我现在通常先用 https://github.com/obra/superpowers 里的 brainstorming skill，把需求过一遍：补齐遗漏、比选方案、产出设计文档。

然后把设计文档交给 Claude Code 的 Plan 模式，它会基于设计文档把执行计划拆清楚，并在关键不确定点主动追问你。最后拿到的 Plan 一般会包含：

• 需求拆解
• 具体实现任务
• 测试用例
• 验收清单

到了这里，不需要 AI 马上介入编写代码。我们需要 AI 将这个 Plan 输出成 Markdown 文件，然后需要认真 Review 这份文档，虽然 AI 很擅长理解代码和写方案，但它不知道这个需求到底解决了哪些用户真实的痛点、用户体验怎么做在当下是做好的等等。对于以上种种，Review 文档然后做出批作或者直接修改，然后让 AI 循环几次一般才能产出一份最终答案。

这个阶段的核心是充当架构师的角色和 AI 共同产出一份可落地的 Plan 文档，接下来就是作为监督者静静地看 AI coding。

AI编码

编码前的准备工作做好后，进入实现阶段。通常可以分两步走：

1. 先让 AI 完成整体验收范围内的功能实现
2. 按 Plan 里的验收清单逐条测试边界条件

如果需求较大，AI 一次跑完会比较慢，可以开多个窗口配合 git worktree 并行推进，提高整体吞吐。

AI测试

测试不能省。前端至少要有端到端测试和关键函数单测。后端同理，覆盖率尽量往高做，我自己的目标一般是 90% 左右。

测试过程本身也包含了大量 debug。以前是我们自己定位问题，再把报错截图给 AI；现在在 AI-friendly 的 infra 下，可以直接让 AI 调用工具自己排查，例如：

• 用 agent-browser 复现前端问题
• 读取 DevTools 报错
• 查看后端日志
• 查询数据库状态

这样定位和修复会快很多，但前提是权限和安全边界要先做好。

Code Review

这个环节还是建议真人介入，不 Review 或者只靠多 Agent review 还是不大靠谱。自己的小产品需要快速迭代的话可以省掉这一部分，但是公司的代码还是不能省，毕竟背锅还得你来背，AI 不会帮你背。

这里的多 Agent review 指的是通过提示词创建多个 Agent 角色各司其职，比如专门负责代码的、性能的、安全的、用户体验的等等，一个角色只做一件事，这样 review 下来的效果会优于单一 review。

部署

每家公司部署细节不同，但主路径一般是稳定的。对这种固定流程，建议直接沉淀成 skill，让 AI 按步骤执行，减少重复手工操作。

以上就是我总结的 AI 编码工作流。