AI Workflow

Published:

AI Workflow

形成一套智能、强大、自动化的 AI Workflow

引言：从方法论到 Workflow

在前面的文章中，我们探讨了 Prompt Engineering、Context Engineering 以及 MCP Engineering 三种 AI 编码方法论。它们已经能够支撑日常开发的需求迭代：通过提示词优化、上下文工程和模型迭代，单次任务的质量可以做到不错。

但当前形态仍是「人驱动 AI、人设计流程、人验证结果」。瓶颈在哪？理想的 AI Workflow 应该具备哪些特征？本文是一次旅途中的头脑风暴：我们期望的，是智能、可自验证、能积累经验的 Workflow，而不是永远由人驱动、人验证。

现状：我们已能做什么（迭代）

提示词优化、上下文工程、模型迭代，已经基本满足日常开发的需求迭代。有了 MCP 与项目规则（Rules）之后，AI 能主动获取最新信息、按规范生成代码，需求从「描述」到「可运行实现」的效率明显提升。

小结：单次任务质量不错，但流程仍依赖人工设计与人工检查。谁来拆解需求、谁来定检查点、谁来判定「做完」，依然是人。

瓶颈：当前 Workflow 的局限性

人驱为主：流程、步骤、检查点都是人定的，AI 只执行，没有最大程度发挥「规划与决策」能力。依然是人去驱动 AI 干活，而不是 AI 在既定目标下自主规划与执行。

缺少自学习：高效工作流、可复用的 skills 仍靠人总结、人维护，AI 不参与沉淀与复用。还是人类去探索合理的工作流、整理高效的 skills，模型本身不会从历史任务中自动归纳「这类问题该怎么做」。

下面这张图概括了当前形态与目标形态的差异：

flowchart LR
  subgraph current [人驱 Workflow]
    A1[人规划] --> A2[AI 执行]
    A2 --> A3[人验证]
  end
  subgraph target [目标 Workflow]
    B1[AI 规划与执行] --> B2[自验证]
    B2 --> B3[人仅处理例外]
  end

方向一：更「智能」的 Workflow

AI 主导：理想情况下，人类只去做 AI 无法接触到的物理世界工作（硬件、现场、权限授予等），其余由 AI 主导——规划、拆解、执行。目标与约束给人定，路径与步骤交给 AI。

自学习：Workflow 应具有自学习能力，从处理过的事情中总结经验（例如更新规则、沉淀 skills），便于后续同类任务自动复用。例如在 Cursor 里，把「提交前必须跑 typecheck、lint」写进 Rules，Agent 就会在改代码后自动执行这些检查；未来可以进一步让 AI 在多次类似任务后，归纳出可复用的 Skill，减少重复配置。

这里先点到为止，不展开实现细节；强调的是演进方向，而非当下必须一步到位。

方向二：可自验证的执行

来自 OpenClaw 创始人的观点很有启发性：不要让人去验证，而是让 AI 制订一套可自验证的方法论。程序或流程具备明确的正确性标准（断言、测试、检查清单），由 AI 自验、快速迭代，人只做例外处理或终审。

这与「测试驱动」「契约/规范」一脉相承：把「什么是正确」写清楚、可执行，AI 就能在闭环里自我纠错，而不是依赖人工逐行检查。

小结与展望

从「人驱 + 人验」到「AI 主导 + 自学习 + 自验证」，是 AI Workflow 的演进路径。工具与协议（如 MCP、Rules、Skills）会继续向「可执行、可观测、可沉淀」靠拢。我们需要的，正是一套智能、可自验证、能积累经验的 AI Workflow。

评论