AI Coding 工作流：任务拆解、上下文与验收

任务拆解：原子化

把「做一个 XX 系统」拆成原子任务：每个任务满足单一目标、可验证、边界清晰。拆解的颗粒度以「Agent 一轮对话能完成并自检」为准。

示例拆解：'实现用户登录' → ① 写后端鉴权接口 + 测试 ② 写前端表单 + 错误提示 ③ 联调并处理 session。分三个任务交给 Agent，而不是让一个 Agent 一口气做完再祈祷。

上下文工程：让 Agent 看得见

Agent 看不到的现象等于不存在。每个任务描述都要给足上下文：相关文件路径、约束（不要碰什么）、期望行为、验收命令。项目级约定写进 CLAUDE.md / .cursorrules，任务级信息写在 prompt 里。

❌ "修一下登录页的 bug"
✅ "登录页（src/pages/login.tsx）在密码错误时
   不显示错误信息。预期：提交后如 401，
   在表单下方显示『密码错误』。
   请先跑 src/tests/login.test.ts 确认现状，
   修复后保证该测试通过。"

验收驱动开发

先定义「做完」的探测器：单元测试、lint、类型检查、可复现的手动步骤。让 Agent 先写验证方式，再写实现，最后让它自证「按检测器通过」。这能系统性压掉「看起来对，实际没测过」的假完成。

人的角色：路由与审查

你的价值不再是逐行敲代码，而是：路由（把任务分给哪个 Agent/模型）、把关（diff 审查、架构否决）、校正（把 Agent 的失败模式沉淀成规则）。

让 Agent 每完成一个可运行快照就提交一次，Diff 越小越好审。审查不是「去看每行」，而是「只看结构改动与边界条件」。