这是鼎叔的第一百四十五篇原创文章。行业大牛和刚毕业的小白，都可以进来聊聊。

欢迎关注本专栏《敏捷测试转型》，大量原创思考文章陆续推出。

去年AI编程在各大公司得到加速落地，于是鼎叔近期研究了AI编程实践对于开发工作流的改变，最深的感受就是:敏捷理论依然在引导着AI时代的研发变革，它非但没有过时，甚至被进一步强化和提纯了。

通过AI（LLM）驱动的工具进行编程实践，本质上是希望重构软件开发的全流程，把开发者从繁重的脏活累活中释放出来，聚焦更有创意和更高价值的需求定义和系统设计工作。

开发者的角色变化

先从人开始讲起，再讲工作流和提效场景，最后是工具。

从“代码产出者”变成“核心文档定义者”

之前技术人员普遍不喜欢写文档，未来，关键文档将成为开发者的首要工作。

开发者要把比较模糊的需求文档翻译成更容易AI实现的精准文档，包括功能边界、数据结构和架构设计，最终实现“文档即代码”。对文档进行轻微修改，AI会自动生成新的代码和数据库。

功能边界可能比想象中的更重要，AI自动化产出速度极快，但功能的冗余会带来可用性的快速下降，以及体验问题的数量暴涨。毕竟产品是给人用的，而不是AI，所以现阶段人更适合定义功能范围。

只要文档足够详细，不同模型的生成都不会偏离核心逻辑，只是速度不同。

注: 有同学可能会质疑，敏捷理论不是强调可工作的软件大于文档么?

鼎叔的观点是，在AI编程的当前发展阶段，人和AI的沟通还不对等，人的速度太慢，AI有时会陷入越改越错的腐化状态，这时文档就是对齐两者目标的准绳。也许将来AI助手能做到始终心有灵犀，文档也就没那么重要了。

知识资产的管理者

文档成为开发者指引AI工作，以及验收成果的关键，这属于团队的核心资产，但不是全部。

人类很适合成为知识资产的管理者，把控入库资产的高品质和完整性，减少低质量文档带来的幻觉和低效。

新手工程师将成为受益者，获得更有支持性的学习曲线，文档不再杂乱晦涩，AI可以随时耐心答疑。

知识库的更新是传统技术团队的难题，但AI可以帮助知识库进行动态更新，提供崭新视角，支持成员持续提问式学习，也鼓励共享优秀的提示词模板。

人+AI的新型协作关系

传统编程是人+人的协作，尤其是结对编程和code review活动。

人+AI模型构成了全新的开发协作范式，开发者的角色从“代码实现者”变成了AI的监督者和引导者。新角色能够:

1. 把核心业务需求翻译成清晰的prompt，并包含约束条件。

2. 把复杂任务拆解为小步骤，避免AI生成混乱的代码。

3. 审查AI生成的代码，包括异常场景和性能问题，确保符合约定的项目规范。

4. AI生成代码时有一个等待时间，开发者正好可以利用它进行一些批判式思考，避免陷入被长时间编程催眠的状态。

5. 善于编排多个AI agent（或subagent）完成复杂任务，做到指哪打哪。

6. 形成高度个性化的开发体验。AI可以根据个人的特殊业务流程，或者根据团队的偏好和认知进行定制。

长期角色定位

利用AI编程已经不是可选项，而是必由之路。随着LLM的业务理解能力和推理能力增强，AI编程会从“辅助单一任务”迈入到“自主完成复杂任务”阶段，全流程自主完成整个需求研发生命周期（定义、设计、编码、测试、部署），最终在一定程度上实现“意图编程”（意图即代码）。

到那时，开发者的核心能力就是定义好问题（用户需求），以及评估产品是否要继续发展。

对开发者的能力要求

AI agent没有办法为交付承诺和线上质量负责，只有开发团队才能为此负责，be paid for responsibility,not code.

想要具备担责的能力，开发者就需要把能力往上移:

• 熟练拆解复杂需求（参考聊聊用户故事的估算和拆解），设计文档中对齐接口契约。

• 理解算法原理的优劣，而非记忆大量语句。

• 对新技术要学得比以前更快，才能驾驭好越来越强的AI。比如，AI编程大流行可能导致全新的动态编程技术开始涌现，参考线上用户数据调整代码。

• 始终提升对技术架构的判断力。

• 掌握合规和安全知识，把好发布关。

工作流与高效协作场景

先分享两张阿里巴巴做AI coding总结的工作流视图，比较清晰完整，有代表性。

我们按一个项目的闭环流程顺序来捋一下，哪些任务场景最容易被AI agent提效。

一 作为新人理解陌生代码

让新人快速了解代码的宏观作用，如“这个函数实现了什么功能?请解读它的调用链路”

二 实时互动的代码助手

主要体现在代码搜索和答疑、代码补全、错误预警等角度。这些能力和编程流程融为一体，基于代码库上下文和过去案例的分析，预见性地满足编码意图，揭示了潜在缺陷，并提供了定制化的优化实践。

AI代码助手还能够保持代码风格的一致性，方便开发者在切换项目时更容易维护代码。它利用大量代码样本训练的神经网络，能做到对各种编码模式的细致掌握。

三 重构遗留代码

模块重构可能会引入各种新问题，导致开发者如履薄冰，AI agent可以帮忙风险预判，提供初步重构方案，让开发者审查提问。

四 撰写技术文档初稿

很多开发者对写文档还是发怵的，可以利用某些擅长写技术文档的大模型，节约大量写初稿的时间，人只需要在方案骨架上提出修改意见或者手动调整。

五 编写单元测试，推荐TDD（测试驱动开发）

AI自动生成常见单元测试用例非常轻松，开发者可以从特殊场景和特殊参数覆盖的角度补充意见。

TDD是非常有效的高质量研发模式，但是想在团队中推进实践很不容易，AI agent则没有这个担心，测试代码本身就成为质量规范的自动化保障。参考:聊聊测试驱动开发

AI agent能确保本团队的代码质量跟上行业标准，这种对质量的警觉性是传统团队极难获取的。

六 排查线上问题

之前文章分享过，AI擅长分析错误日志，识别常见错误模式，提出启发性解决手段，甚至推荐最契合的开发负责人来评审。参考聊聊大模型如何为敏捷研发提效

人可以核实解决效果，评审修复代码是否引入新的风险。

七 推送代码及部署

让大模型提交推送，就不用担心推错文件、用错git命令了，一些commit冲突问题可以自动解决。

AI编程的工具能力

按时间顺序解读AI编程的工具链，就是固定的全局提示词模板，选择合适的大模型服务，掌握MCP接口服务，针对特定任务选择合适的skill插件。

Prompt全局模板（.md文件）

提示词质量对AI生成效果影响很大，在AI持续对话编程的场景下，很容易上下文资源耗尽，其中重要原因就是输入提示词的重复低效。所以要让AI先仔细阅读“guide”再开始干活。

固定的提示词文件可以整体设置项目编程风格，引用文件路径，工作策略（先做啥后做啥），交付格式，禁止或约束等。

这样就把prompt变成了固定资产，而非消耗品，能大幅增强效果，并降低token成本。

大模型选择

引用各方实践者的观点: GPT，Gemini，Claude等模型的最新版本在性能方面很强，适合用于复杂的重构任务，算法设计，架构设计，但是注意代码资产的脱敏。建议结合任务类型和实测效果来选型。

一般而言，可以用内部模型进行知识库的学习和答疑，以及敏感数据分析。再把脱敏内容给外部高性能模型寻求重构优化方案和测试保障。

很多实践者给了一句忠告，尽量使用强力模型的新版本，性能的提升可能大于开发者的辛苦优化效果。

Multi Agent多智能体协同工具

多智能体协同可以完成更加复杂、更长周期的需求开发，可以被看作是一个虚拟的AI研发团队。

单一大模型在开发中遇到的常见瓶颈 “能力有限，多轮对话容易出现逻辑混乱”，在多智能体协同中可以得到更鲁棒的解决。每个agent专注自己扮演的角色，认领分工，互相补位。

掌握MCP（模型上下文协议）

MCP可以理解为AI编程的万能接口，通过安全的统一标准让模型调用外部工具和数据。在MCP出现之前，自己的模型想要部署到外部厂商的云平台，适配代价很高昂，一旦云平台升级，可能大模型服务就无法使用了。

通过MCP就可以一次封装，任意调用，改变以往“只能靠嘴说，难以接入真实平台”的尴尬，极大降低运维成本。

能力插件（以Claude的skill为例）

鼎叔看Claude Code教程中Skill的用法占据了相当篇幅。

Skill是让大模型按照一定条件触发特定脚本（确定性的垂直能力，类似传统编程功能），形成一套AI处理规则库，拥有独立的知识库。

即使开发者换人了，这套能力和使用规则都是稳定的，包括:上下文过滤规则，安全和规范检查，自动化测试等。

skill可以做到按需加载，降低上下文token消耗。

结语-感想

传统编程时代，开发者的核心价值是大脑里的编码经验；在AI编程时代，开发者的价值是建立文档驱动研发流程，不断优化适合本团队的提示模板和AI技能组合，具备发布审计能力。

开发者要改变不断切换工作的低效模式，转型为“全局思考者”，负责核心代码逻辑的思考，并调度好各个AI完成互不重叠的子任务。

AI时代能用好大模型的开发者，通常具备系统思考和敏捷精益理论: 擅长先思考为什么（分析用户价值），而不是急着做什么（尽快开工交差）。

AI 的价值不再只是“更快完成指定任务”，而是通过工作流重塑“开发者的高价值边界”。新时代的AI编程平台更加强调长时间工作的稳定性，生产级别的规划设计。

未来的AI奇点时刻，可能就依赖AI编程率先到达奇点，代码是纯粹的逻辑运行，能带动万物的无限可能。

下一个想探讨的AI编程主题，是如何系统化提升AI编程的确定性。

参考文章: 

阿里云-从传统编程转向大模型编程

阿里云效-AI Coding 工作流实践分享