什么值得买App下载 App ›
连续签到专享现金活动

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。
  1. 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。
  2. 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。
  3. 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。

评论

评论区空态插画

当前文章无评论,是时候发表评论了