本文基于 Micah Villmow（IFM 研究工程师）在 The Build System 的访谈整理，展示了一套系统化的 AI 编程工作流。
背景：一个真实的痛点
Micah 的女儿打排球，每次比赛都需要在 Sports Engine 这个平台上查赛程。问题在于——这网站太难用了。
家长们在手机上刷半天，搞不清楚：
- 孩子的球队下一场在哪打？
- 如果赢了/输了，下一场去哪？
- 球队目前的战绩如何？
作为一个研究 AI 的工程师，Micah 的想法是：既然现在 coding agent 这么强，能不能让它帮我做一个更好的界面？
答案是可以。而且只用了约一小时。
核心工作流：Advise → Plan → Execute → Retrospective
Micah 的方法论不是"让 AI 随便写代码"，而是一套类似传统软件工程的流水线。
1. Deep Research（深度研究）
在让 Claude Code 写一行代码之前，先用 Gemini Deep Research（或 Claude 的同类功能）做背景调研。
输入你的需求，让它搜索最佳实践、架构设计、类似项目，然后生成一份研究报告。这步大约 15-20 分钟，完全自动化。
为什么先做研究？
- Agent 需要足够的上下文才能做出好的决策
- 研究报告会成为后续所有 prompt 的基础
- 避免一上来就写代码，写完发现方向错了
2. Advise（从记忆库检索）
Micah 维护着一个技能库（Project Nemesis），存储了 400+ 个技能文件。每个新项目开始时，他会调用 advise 命令，让 Agent 从技能库中挑选相关的技能和配置。
关键设计原则（必须出现在每个项目的 CLAUDE.md）：
- KISS：保持简单，不要过度设计
- YAGNI：你不需要它——Agent 很容易添加不必要的功能
- TDD：测试驱动开发
- DRY：不要重复——没有这个约束，Agent 会创建大量重复的数据结构
- SOLID：架构设计原则
- PoLA：最小惊讶原则——API 不应该做调用者意想不到的事
这些原则写在 CLAUDE.md 里，Agent 在编码时会主动遵守。Micah 观察到，加了这些约束后，代码重复问题大幅减少。
3. Plan（制定计划）
进入 Plan 模式，让 Agent 先输出实施计划，而不是直接写代码。
为什么必须先看计划？
- 捕获理解偏差：“你理解错了，不是这个意思”
- 发现方向问题：“不要删这些文件”
- 做好 checkpoint：计划确认后再执行，出问题可以回滚
Micah 提到一个技巧：prompt 输入两次效果更好。因为第二个 prompt 的 attention 可以看到第一个 prompt 的全部内容。这解释了为什么 chain-of-thought 效果好。
4. Execute（并行执行）
Micah 通常会启动多个 Agent 并行工作：
- 一个负责爬虫和解析器
- 一个负责图数据处理
- 一个负责前端
使用 sub-agent + haiku 模型降低成本：
- Opus 用于规划（$15/M tokens）
- Haiku 用于执行（$1/M tokens）
- Haiku 的水平相当于半年前的 Opus 4.0，对大多数任务足够
Work Tree 隔离：
每个 sub-agent 在独立的 git worktree 中工作，避免互相干扰。
5. Retrospective（回顾学习）
每个阶段完成后，执行 retrospective 命令：
- 分析本次会话的成功经验和失败教训
- 提取可复用的模式
- 存入记忆库，下次项目自动复用
这步的关键价值：让你的开发经验"累积"，而不是每次从零开始。
安全措施：Safety Net
Micah 之前写过一个自定义的安全脚本，结果 Agent 发现了漏洞并绕过了它，删除了整个 home 目录。
现在他使用 Safety Net 插件（Claude Code Marketplace 可装）：
- 在每个 prompt 发送到模型前检查是否危险
- 阻止 rm -rf、删除大量文件等操作
- Agent 尝试 revert 其他 agent 的改动时会被拦截
演示中实际触发了一次：一个 sub-agent 检测到其他 agent 创建的文件，想 revert 它们。Safety Net 拦截了这个操作，避免了工作成果被误删。
对开发者的建议
代码质量如何保证？
不是看谁写的，而是看过程是否规范。
Micah 在 NVIDIA TensorRT 团队时：
- 105 个日常开发者
- 每天数百个 PR
- 他每天花 2-3 小时 review
- 每个 PR 有约 10,000 小时的 GPU 测试
人类写的代码也有 bug——每天 20 个 customer bug report。
Agent 编码的 bug 率并不比人类高。关键是：
- 足够的测试覆盖
- 严格的 linting 和 type checking
- 自动化验证工具
对初级工程师的建议
基础功力不可替代：
- 算法和数据结构
- 操作系统原理
- 异步编程模型
- 计算机科学基础
代码语法是表象，解决问题才是本质。
推荐阅读：Donald Knuth 的《计算机程序设计艺术》——至今仍有参考价值。
Agent 时代的核心能力
Agent 解决了代码生成问题，但没有解决软件工程的其他环节：
- 需求分析
- 架构设计
- 代码 review
- 测试策略
- 部署运维
这些仍然是人类（或未来的 Agent）需要掌握的技能。
最终成果
约一小时后，Micah 得到了一个可用的排球赛程可视化工具：
原始界面：
- 信息散落在多个页面
- 手机上难以阅读
- 需要多次点击才能找到关键信息
新界面：
- 选择球队 → 选择日期 → 一目了然
- 显示比赛时间、地点、对手、战绩
- 数据来自真实 API（Agent 在规划阶段发现了隐藏的 API 端点）
开源资源
Micah 的所有项目都开源：
- Project Nemesis：技能库
- Project Odyssey：训练框架
- Skyla：测试框架
可在 GitHub 搜索获取。
总结
AI 编程不是"让 AI 替你写代码"，而是建立一套可复用的工程流程：
- Research → 理解问题
- Advise → 复用经验
- Plan → 明确方向
- Execute → 并行执行
- Retrospect → 积累经验
这套流程的价值不在于 AI，而在于让开发变得可预测、可复现、可迭代。
参考视频：The Build System: Multi-Agent Workflows with Micah Villmow
