# Plan-Based Agentic Workflow：计划优先的 Agent 开发工作流

> Plan-Based Agentic Workflow 提供了一套 Agent 技能，支持计划优先的开发流程，包括需求分析、PM 任务起草、实现执行和 PR 审查等阶段。

- 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm)
- 发布时间: 2026-05-30T03:45:39.000Z
- 最近活动: 2026-05-30T03:55:36.956Z
- 热度: 163.8
- 关键词: Agent, AI 开发, 工作流, 计划优先, 代码审查, GitHub, PR, 技能, 需求分析, 开发工具
- 页面链接: https://www.zingnex.cn/forum/thread/plan-based-agentic-workflow-agent
- Canonical: https://www.zingnex.cn/forum/thread/plan-based-agentic-workflow-agent
- Markdown 来源: ingested_event

---

## 原作者与来源

- 原作者/维护者：mvagnon
- 来源平台：GitHub
- 原始标题：plan-based-agentic-workflow
- 原始链接：https://github.com/mvagnon/plan-based-agentic-workflow
- 来源发布时间/更新时间：2026-05-30T03:45:39Z

## 项目概述

Plan-Based Agentic Workflow 是一套为 Agent 设计的技能集合，核心理念是"计划优先"的开发流程。与直接让 Agent 开始编码不同，这套工作流强调在动手实现之前，先进行充分的需求分析和任务规划。

项目包含三个主要技能：feed-pm（需求分析与任务起草）、implement-pm（任务实现）和 review-pr（PR 审查）。这三个技能串联起从需求到代码的完整流程，形成闭环。

## 为什么需要计划优先

当前许多 AI 辅助开发工具的问题是过于关注代码生成，而忽视了前期的需求理解。这导致生成的代码虽然语法正确，但可能偏离用户的真实需求，或者忽略了重要的边界条件。

计划优先的方法借鉴了传统软件工程中的最佳实践：

- **需求澄清**：在编码前确保对需求有共同理解
- **任务分解**：将大任务拆分为小的、可管理的单元
- **可审查性**：每个阶段都有明确的产出，便于人工审查
- **可追溯性**：从需求到代码的完整链路

对于 Agent 而言，这种结构化方法还有一个额外好处：减少上下文窗口的压力。通过将工作分解为阶段，每个阶段只需要关注当前上下文，而不是一次性处理所有信息。

## 技能详解

### feed-pm：需求分析与任务起草

这是工作流的起点。feed-pm 技能接收用户的需求描述，执行以下步骤：

**仓库分析**：首先分析目标代码库的结构、技术栈和现有模式。这帮助 Agent 理解上下文，生成符合项目风格的方案。

**需求分解**：将高层需求分解为具体的技术任务。分解时考虑依赖关系、优先级和风险因素。

**PM 任务起草**：为每个任务生成详细的项目管理文档，包括：
- 任务描述和目标
- 验收标准
- 估计工作量
- 相关文件和代码位置
- 潜在风险和缓解措施

这些任务文档是可审查的，人类 PM 或技术负责人可以在 Agent 开始编码前进行审核和调整。

### implement-pm：任务实现

当 PM 任务被批准后，implement-pm 技能负责实际的编码工作：

**分支管理**：为每个任务创建独立的分支，保持工作的隔离性。

**代码实现**：根据任务规格生成代码。实现过程中会参考项目的代码风格和现有模式，确保一致性。

**PR 起草**：完成后自动创建 Draft PR，包含实现摘要和测试说明。

这个技能的关键特点是它只处理已批准的任务，不会擅自扩展范围或修改规格。这种约束确保了开发的可控性。

### review-pr：PR 审查

review-pr 技能提供了自动化的代码审查能力：

**规格符合性检查**：对比 PR 的实现与原始任务规格，检查是否有遗漏或偏离。

**代码质量分析**：检查代码风格、潜在 bug、安全问题和性能隐患。

**审查报告生成**：生成结构化的审查报告，包括：
- 符合规格的部分
- 需要修改的部分
- 建议和最佳实践
- 是否建议合并的评估

对于质量达标的 PR，review-pr 可以将其从 Draft 状态标记为 Ready for Review，进入人工审查流程。

## 工作流程整合

这三个技能形成了一个完整的开发循环：

1. 用户提出需求 → feed-pm 分析并生成任务
2. 人工审查并批准任务
3. implement-pm 实现任务并创建 PR
4. review-pr 自动审查 PR
5. 人工最终审查并合并
6. 新的需求进入循环

这种设计保留了人类在关键决策点的控制权，同时让 Agent 承担繁琐的分析和实现工作。

## 跨平台兼容性

Plan-Based Agentic Workflow 的一个重要设计目标是跨平台兼容。技能定义采用通用的格式，可以在不同的 Agent 运行器中使用：

- **Codex**：OpenAI 的编码 Agent
- **Claude Code**：Anthropic 的编码助手
- **Antigravity CLI**：其他支持 Agent Skills 的运行器

运行器特定的元数据被设计为可选的，不支持的运行器可以忽略它们，而专注于核心的工作流程指令。这种设计使得技能可以在不同环境中复用，而不需要为每个平台重写。

## 实际应用建议

对于希望采用这套工作流的团队，建议从以下方面入手：

**从小规模开始**：先在一个小功能或 bug 修复上试用，熟悉流程后再扩大范围。

**建立审查文化**：feed-pm 生成的任务需要人工审查，这是质量保证的关键环节。

**迭代优化提示**：根据项目特点调整技能的系统提示，使其更符合团队的工作方式。

**结合现有工具**：这套工作流可以与现有的 CI/CD、项目管理工具结合使用，不需要完全替换现有流程。

## 与其他方法的对比

相比直接让 AI 生成代码的方法，Plan-Based Agentic Workflow 增加了规划和审查阶段，看似降低了速度，但实际上提高了整体效率：

- **减少返工**：前期澄清需求，减少后期的修改
- **提高可维护性**：结构化的任务和审查确保代码质量
- **增强可控性**：人类在关键节点保持控制

相比完全手动的开发流程，它提供了自动化的辅助，让开发者可以专注于更有价值的工作。

## 总结

Plan-Based Agentic Workflow 代表了 AI 辅助开发的一种务实路径。它没有追求完全自动化的幻想，而是设计了人机协作的流程，让 AI 和人类各自发挥优势。

对于正在探索如何在团队中引入 AI 辅助开发的组织，这是一个很好的起点。它提供了经过思考的结构，同时保持了足够的灵活性，可以根据实际需求进行调整。