# Agentic Development Discovery：探索AI辅助开发的AGENTS.md实践模式

> 通过AGENTS.md和DESIGN.md规范AI辅助开发流程，探索如何让大语言模型成为真正的开发伙伴而非简单的代码生成器。

- 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm)
- 发布时间: 2026-05-03T23:44:20.000Z
- 最近活动: 2026-05-03T23:51:17.571Z
- 热度: 150.9
- 关键词: Agentic Development, AGENTS.md, AI辅助开发, LLM协作, 软件工程, 开发规范, 人机协作, 代码生成
- 页面链接: https://www.zingnex.cn/forum/thread/agentic-development-discovery-aiagents-md
- Canonical: https://www.zingnex.cn/forum/thread/agentic-development-discovery-aiagents-md
- Markdown 来源: ingested_event

---

## AI辅助开发的范式转变

大语言模型（LLM）正在重塑软件开发的工作流程。从GitHub Copilot的代码补全到ChatGPT的代码生成，AI工具已经成为许多开发者日常工作的一部分。然而，大多数现有的AI辅助工具仍然停留在"代码片段生成"的层面——开发者提出问题，AI返回代码，开发者复制粘贴。

这种交互模式虽然提高了效率，但并未充分发挥AI的潜力。一个更激进的设想是：如果AI能够像人类开发伙伴一样，参与到整个软件开发生命周期中，从需求分析到架构设计，从代码实现到测试验证，全程协作？

这就是"Agentic Development"（代理式开发）的核心理念——将AI从工具提升为真正的协作者。

## AGENTS.md：给AI一本"员工手册"

Agentic Development Discovery项目由开发者Damienb123创建，探索了一种新颖的AI协作模式。项目的核心创新在于引入了AGENTS.md和DESIGN.md两个规范文件，它们就像是给AI准备的"员工手册"和"设计蓝图"。

**AGENTS.md**的作用类似于人类团队的新员工入职指南。它定义了：

- **角色定位**：AI在这个项目中扮演什么角色？是架构师、开发者、测试工程师，还是全栈助手？

- **工作规范**：代码风格、命名约定、提交信息格式、分支策略等开发规范。

- **技术栈说明**：项目使用的编程语言、框架、库及其版本，以及选择这些技术的原因。

- **沟通协议**：AI应该如何与开发者沟通？何时主动提问？何时自主决策？

- **约束条件**：项目的硬性限制，如性能要求、安全规范、兼容性需求等。

通过AGENTS.md，开发者不再需要为每个任务重复解释项目背景。AI在接手任何任务之前，先阅读这份"手册"，确保其输出符合项目的整体规范和要求。

**DESIGN.md**则聚焦于架构和设计层面，包含：

- **系统架构图**：模块划分、组件关系、数据流向。

- **核心概念**：领域模型、关键抽象、业务术语表。

- **设计决策**：重要的架构选择及其权衡理由。

- **接口契约**：API规范、数据格式、协议定义。

- **演进路线**：已知的技术债务、计划中的重构、未来的扩展方向。

这两份文档共同构成了AI理解项目的知识基础，使其能够在正确的上下文中提供有价值的协助。

## 工作流程：从指令到协作

传统的AI辅助开发通常是指令式的："给我写一个函数，实现X功能"。而在Agentic Development模式下，交互变得更加对话式和迭代式。

典型的协作流程可能是这样的：

首先，开发者向AI描述一个高层需求，例如"我们需要为用户添加双因素认证功能"。AI首先查阅AGENTS.md和DESIGN.md，了解项目的技术栈（比如是Node.js + React）、代码风格、安全要求等。

然后，AI不会立即开始写代码，而是先提出澄清问题："你们打算使用TOTP还是SMS验证码？需要支持备份恢复码吗？现有的用户模型如何存储认证状态？"这种主动提问体现了AI对项目上下文的理解。

在确认需求后，AI会提出设计方案："我建议使用speakeasy库实现TOTP，因为它轻量且经过充分测试。需要在用户表中添加两个字段：totpSecret和totpEnabled。还需要一个新的API端点用于初始化和验证..."

开发者可以对方案提出修改意见，AI根据反馈调整设计。这个过程可能重复几轮，直到双方达成共识。

最后，AI开始实现。但它不是一次性生成所有代码，而是分步骤提交：先添加数据库迁移，再实现后端API，然后更新前端UI，最后添加测试。每完成一步，AI会汇报进展并询问是否继续。

这种协作模式更接近人类开发者之间的工作方式：充分沟通、迭代设计、渐进实现、持续反馈。

## 实践案例：探索不同的应用场景

Agentic Development Discovery仓库包含多个示例项目，展示AGENTS.md模式在不同场景下的应用：

**Web应用开发**：从需求文档到可部署的全栈应用。AGENTS.md定义了前后端技术选型、API设计规范、状态管理策略。AI在理解这些约束后，生成符合项目架构的代码。

**数据管道构建**：涉及多个数据源的数据处理流程。DESIGN.md描述了数据流图、转换规则、错误处理策略。AI据此生成ETL脚本、监控告警配置。

**CLI工具开发**：命令行工具的设计需要考虑用户体验、参数解析、帮助文档等。AGENTS.md定义了CLI的设计哲学和交互模式，确保AI生成的工具符合Unix哲学。

**自动化测试**：不仅是生成单元测试，还包括集成测试策略、测试数据管理、Mock服务等。AI根据DESIGN.md中的接口契约生成全面的测试覆盖。

每个案例都展示了如何将高层需求转化为具体的实现，同时保持代码质量和架构一致性。

## 优势与挑战：新模式的双面性

Agentic Development模式带来了显著的优势：

**上下文一致性**：通过AGENTS.md，AI始终记得项目的规范，不会因为对话历史过长而"遗忘"重要的约束条件。

**知识沉淀**：项目规范被文档化，不仅对AI有用，对新加入的人类开发者同样有价值。AGENTS.md和DESIGN.md本身就是优秀的项目文档。

**可复现性**：同样的需求，交给AI处理多次，会得到一致风格的输出，因为决策依据都来自同一份规范。

**渐进增强**：随着项目演进，不断更新AGENTS.md，AI的能力也随之"成长"，逐渐积累对特定领域的深入理解。

当然，这种模式也面临挑战：

**文档维护成本**：AGENTS.md和DESIGN.md需要随着项目发展持续更新，否则AI会基于过时信息做出错误决策。

**初始投入**：相比直接使用AI生成代码，准备这些规范文件需要额外的时间投入。对于小型项目或原型开发，这种开销可能得不偿失。

**规范边界**：哪些内容应该写入AGENTS.md，哪些适合放在代码注释或独立文档中？这需要一定的实践来摸索最佳实践。

**AI理解能力**：并非所有AI都能有效利用这些规范。这需要模型具备长文本理解、多文档关联、指令遵循等能力。

## 与现有工具的关系

Agentic Development Discovery并不是要取代现有的AI编程工具，而是提供一种更高层次的协作框架。它可以与GitHub Copilot、Cursor、Claude Code等工具结合使用：

- Copilot负责底层的代码补全和生成
- Cursor提供IDE内的AI对话能力
- Agentic Development模式则管理项目的整体上下文和规范

这种分层架构让不同工具各展所长：底层工具专注于代码质量和效率，上层框架确保方向正确和一致性。

## 未来展望：从辅助到自治

Agentic Development Discovery项目代表了一个更广泛的行业趋势：AI在软件开发中的角色正在从"工具"向"协作者"乃至"代理"演进。

短期内，这种模式可以帮助开发团队提高代码质量、保持一致性、降低新成员 onboarding 成本。中期来看，随着AI能力的提升，我们可能会看到AI承担更多的自主决策——在明确的规范框架内，AI可以自行决定实现细节，只在遇到边界情况时才寻求人类确认。

长期来看，"AI原生"的开发流程可能会出现：项目的初始架构由人类设计，但后续的迭代、重构、优化主要由AI在AGENTS.md的指导下自主完成。人类开发者的角色将更多地转向需求定义、架构设计和质量把关。

当然，这种未来是否会到来，以及以何种形式到来，仍然充满不确定性。Agentic Development Discovery的价值在于，它提供了一个可以立即尝试的实践框架，让开发者能够在今天的技术条件下，探索AI协作的更多可能性。

## 结语：重新定义人机协作

软件开发从来都不是纯粹的技术活动，它是人类创造力、逻辑思维和协作能力的综合体现。AI的加入不是要取代这些人类特质，而是放大它们——让开发者能够专注于真正需要人类智慧的部分，将重复性、机械性的工作交给AI。

Agentic Development Discovery通过AGENTS.md和DESIGN.md，为这种协作建立了一个清晰的框架。它提醒我们：有效的AI协作不仅需要强大的模型，更需要清晰的沟通、明确的规范和持续的反馈。这些原则不仅适用于人机协作，也同样适用于人人协作。

对于希望提升AI辅助开发效率的团队，Agentic Development Discovery提供了一个值得尝试的切入点。即使最终不完全采纳这种模式，思考"如何让AI更好地理解项目上下文"本身，也是提升开发效率的有益探索。