AI Coding 深度实践手册 (v2.0)

Based on Peter Steinberger's "Agentic Engineering" Protocol

更新 加入了并发管理、AI 友好型架构设计、以及一次性调试工具构建策略。

1. The Engine: Closing The Loop (闭环引擎)

🚫 拒绝幻觉，拥抱验证

Core Principle

Agent 开发的根本原则：不要让 Agent 仅仅输出代码，必须赋予它执行和自我修正的权利。没有闭环的 Agent 只是玩具。

1. 对话与设计
(Prompting)
→
2. 编织代码
(Weaving)
→
3. 自动验证
(Gate Check)
→
4. 读取 StdErr
(Diagnosis)
↺
WHY IT MATTERS Peter 强调，AI 经常写出看起来完美但运行时崩溃的代码（幻觉）。通过配置 Agent 运行本地测试（Local CI）并读取错误日志，AI 能够像人类工程师一样进行 "Trial and Error"（试错），直到 Tests Pass。这把 "Human in the loop" 变成了 "Human on the loop"（人类在环上监督，而非在环中干活）。
2. Advanced Tactics (进阶技法)

🛠️ Ephemeral CLIs (一次性调试工具)

遇到难以复现的 Bug？不要手动打断点。

操作： 命令 Agent 编写一个临时的 CLI 工具，专门用于触发特定的边缘情况（Edge Case）。

# 实战案例：macOS 网络服务发现 Bug
User: "写一个 CLI 工具，每 100ms 调用一次该网络接口，并对比 TypeScript 版和 Swift 版的返回结果差异。"
Agent: [Writes debug-cli.ts] -> [Runs] -> "Found race condition in line 42."
WHY AI 编写一次性脚本的成本极低（几秒钟）。利用这一优势，将所有的手动调试过程（点击、等待、观察）自动化。

🏗️ AI-First Architecture (AI 友好型架构)

现在的代码库不仅是给人类读的，更是给 Agent 读的。

  • 一致性命名： 严格遵守文件夹结构，Agent 依赖路径来推断功能。
  • 插件化设计： Peter 将核心改为插件架构，便于 AI 独立编写和测试小模块，互不干扰。
  • 参考范例： 保留优秀的示例代码作为 "Golden Sample"。
WHY Agent 擅长模仿（Pattern Matching）。如果你告诉它“参考 `/plugins/weather` 的写法实现 `/plugins/spotify`”，只要架构清晰，它能完美复刻风格。
3. The Starcraft Mode (多线程并发管理)
🐙

像指挥官一样思考，而非打字员

Peter 形容现在的状态像玩《星际争霸》。因为 Agent 生成代码需要时间（数分钟），为了保持心流（Flow），必须并行处理。

  • 🖥️ Terminal 1: Agent A 正在重构数据库层（预计 10 分钟）。
  • 🖥️ Terminal 2: Agent B 正在编写新的 CLI 工具（预计 2 分钟）。
  • 🖥️ Terminal 3: Agent C 正在运行 "Full Gate" 测试。
  • 🧠 Human: 正在审查 Agent A 的设计思路，同时构思 Agent B 的下一步 Prompt。
WHY & CHALLENGE 这极大地提高了产出（一天 600 commits），但也极大地增加了认知负荷。这需要开发者具备极强的 Context Switching（上下文切换）能力和系统架构能力。
4. Memory & Ensouling (记忆与赋灵)

Claudebot 之所以感觉像“人”，是因为独特的初始化和记忆机制。

🐣 The Bootstrap Ritual (诞生仪式)

Agent 第一次启动时，会读取一个特殊的 bootstrap.md。这不仅是配置，更是“人设植入”。它定义了 Agent 的名字、核心价值观（如：幽默、保护用户隐私）。初始化完成后，该文件被删除，转化为长期记忆。

🧠 Dynamic Markdown Memory

放弃 SQL 数据库，使用 Markdown 文件作为大脑：

  • User.md: 用户画像（喜好、作息）。
  • Soul.md: Agent 自我进化记录。
WHY LLM 天生亲和 Markdown。让 Agent 自己读写这两个文件，比让它去操作 SQL 数据库更灵活、更不容易出错，且能保留“模糊的上下文”而非僵硬的数据。
5. Tooling Philosophy (工具哲学)
特性 MCP (Model Context Protocol) CLI (Command Line Interface)
上下文消耗 高 (需预加载所有 Schema) 极低 (按需调用)
数据处理 返回完整 JSON (Pollution) 精准 (使用 grep/jq 过滤)
Agent 亲和度 中等 极高 (LLM 训练数据含大量 Bash)
PETER'S TAKE Peter 认为目前 MCP 存在“上下文污染”问题。他倾向于编写轻量级的 CLI 工具（如 `home-cli`, `weather-cli`），让 Agent 在终端中像 Linux 高手一样通过管道（Pipe）组合命令，只获取它关心的那一行数据。

原文

源链接