Django 创始人写 AI 编程指南,我才发现 Claude Code 只用了一半功能!
Django 联合创始人 Simon Willison 近日发布了《Agentic Engineering Patterns》指南,总结了使用 Claude Code、Codex 等 AI 编程工具一年多的实战经验。该指南不仅介绍了底层技术原理,还提出了一套完整的 AI 协作思维框架,旨在通过 "Agentic Engineering" 实践提升软件开发效率。
01核心概念辨析:Agent 与 Copilot 的本质区别
Agentic Engineering 的核心在于使用具备自主规划能力的 AI Agent,而非被动的 Copilot。Copilot 仅能根据上下文补全单行代码,而 Agent 则能通过运行工具来达成既定目标。其工作模式为:接收目标 -> 自主规划 -> 编写代码 -> 执行验证 -> 循环迭代直到完成。
AI 编程模式对比
规范导向的开发
人类负责审查结果与验证质量
将代码提升至生产级别标准
明确区分 AI 角色与人类职责


随性原型的构建
适用于快速原型验证
让 AI 编写代码并忽略代码存在
不适用于生产环境部署
02底层技术原理:LLM 驱动的工具循环
AI 编程 Agent 的底层架构由四个关键部分组成:作为核心大脑的 LLM、定义工作方式的系统提示词、负责具体操作的各类工具以及驱动任务完成的运行循环。Agent 通过循环调用工具、获取结果并持续推理,直到任务达成。
| 组件 | 功能描述 | 关键特性 |
|---|---|---|
| LLM | 核心大脑,处理文本续写 | 无状态,每次调用从零开始 |
| 系统提示词 | 隐藏指令,定义工作逻辑 | 长达数百行,指导模型行为 |
| 工具 | 可调用函数,执行具体任务 | 包括 Bash 命令、文件读写等 |
| 循环 | 运行机制,连接各组件 | 调用工具 -> 拿结果 -> 推理 -> 再调用 |
AI 编程 Agent 架构解析
在上下文管理方面,由于 LLM 无状态且对话历史越长成本越高,Token 缓存变得尤为重要。Claude Code 等工具通过避免修改历史对话内容来保证缓存命中率,从而降低使用成本。
03进阶技巧:子 Agent 的三种实战用法
子 Agent 是 Claude Code 中被低估的能力,它作为主 Agent 的分身,拥有独立的上下文窗口。这种设计有效解决了主 Agent 上下文资源昂贵且质量随 Token 增加而下降的问题。Simon Willison 以修改博客 diff 展示功能为例,演示了子 Agent 的实际应用。
- 探索型子 Agent
用于在不动用主上下文的情况下探索代码库。例如,主 Agent 派出子 Agent 搜索 Django 博客中实现 diff 视图的代码、模板及样式,整理成摘要后交回主 Agent。 - 并行子 Agent
当修改的文件之间互不依赖时,可同时派发多个子 Agent 并行处理,从而显著提升开发速度。 - 专业子 Agent
分配特定角色的 Agent,如代码评审 Agent(查找 Bug)、测试运行 Agent(过滤测试噪音)和调试 Agent(定位根因)。
04实战方法论:Red/Green TDD
针对 AI 编程中常见的“代码不可用”和“编写冗余代码”问题,指南推荐使用 Red/Green TDD(测试驱动开发)。这种方法论包含两个关键步骤:先编写测试并确认其失败,再编写实现代码以通过测试。
先确认测试处于“红色”失败状态至关重要,这避免了编写无效的通过性测试。测试先行为 AI 提供了明确的“做对了是什么样”的标准,使其迭代过程更加精准可靠。
05实用 Prompt 清单与协作原则
- 前端原型限制:在 Claude 项目中设置自定义指令,限制 Artifacts 不使用 React,以便直接复制粘贴到静态托管环境。
- 文章校对界限:利用 AI 检查拼写和语法,但所有包含“我”字的观点性文字必须由人工撰写,保持内容真实性。
- 图片 Alt Text:利用 Claude Opus 生成图片描述,其在判断图表中值得提及的数字方面表现出色。
Agentic Engineering 的核心价值在于提供了一套与 AI 协作的思维框架,从子 Agent 并行开发到 TDD 驱动迭代,关键在于人类如何通过更新指令和工具来主动指挥 AI。正如指南所强调,工具会不断进化,但方法论才是长期有效的资产。
当前文章无评论,是时候发表评论了