在近期的 AI 辅助开发实践中，我逐步形成了一套相对稳定、可复用的工作流，核心目标是：让 AI 可规划、可执行、可追踪、可审查。
整体流程如下：
首先，为每个项目建立专属的 agents.md，用于描述项目背景、技术约束以及 AI 开发规范，例如强制要求在代码生成后执行静态检查和单元测试。这一步相当于为 AI 提供“项目宪法”。
其次，提出足够明确、结构化的需求，并使用 Copilot 的 Planning 模式生成开发计划，避免直接进入无序实现。
在实施阶段，切换至 Copilot 的 Agent 模式执行计划，并明确要求使用 PRD.md 和 process.md 跟踪进度：前者记录需求，后者记录每次代码变更与当前状态。通过外部文件系统作为长期记忆，降低上下文丢失的风险。
完成初步实现后，由人工对功能正确性进行验证，确保需求被真实满足，而非“看起来能跑”。
最后，引入我自定义的Linus 风格 Code Review Agent进行代码审查，集中指出设计、可维护性和工程质量问题，再由人工或 AI 执行针对性的重构。
值得一提的是，近期社区中出现了一个名为 planning-with-files 的 Claude Skill，其思路与上述流程高度相似，同样通过外部文件作为 AI 的长期记忆，并额外引入 findings.md 用于沉淀调研结论和经验知识。这类模式进一步验证了“文件即上下文”的工程价值。
1 | # Skill安装命令 |
总体来看，AI 开发正在从“对话式生成”走向“工程化协作”，而可追踪的计划、状态与知识载体，是这一转变的关键基础。
