一种提升 Agent Coding 稳定性的思路

2026-03-09 | AI探索 | AI编程 | 阅读 | 1k 字 | 3 分钟

文章目录

在使用 AI 进行编程（Agent Coding）时，经常会遇到一个问题：AI 能写代码，但结果经常偏离预期。常见情况包括：

很多人可能认为这是模型能力的问题，但实际上还有一个更关键的原因：AI 不知道你是如何解决问题的。

今天看到一个观点：如果 AI 能学习我们过去的解决问题方式，Agent Coding 的稳定性可能会明显提升。下面我们来分析一下为什么这种方法可行。

一、Agent Coding 的一个缺失：经验上下文

在实际项目开发中，我们解决问题通常不会从零开始思考，而是依赖自身经验。

例如调试问题时，大多数开发者可能会遵循类似流程：

复现问题 → 查看日志 → 缩小问题范围 → 验证假设 → 修复问题

实现新功能时也往往有固定步骤：

明确需求 → 设计 → 实现最小版本 → 添加测试 → 优化

这些步骤其实就是解决问题的经验模式。

但在使用 AI 编程时，我们通常只给 AI 一个目标：

实现一个用户注册 API

这类 prompt 只描述了结果，没有提供 解决问题的方法。

因此 AI 的行为就容易变得不稳定。

如果换一种方式：

不仅给 AI 任务，还给 AI 解决问题的方式。

例如：

实现用户注册接口。

请遵循以下开发流程：
1. 定义数据结构
2. 实现最小 API
3. 添加输入校验
4. 添加错误处理
5. 编写测试

这种 prompt 实际上在提供一种 problem-solving pattern（问题解决模式）。AI 不只是生成代码，而是在模拟一种开发流程。从系统设计角度看，这相当于给 Agent 提供了一种经验上下文（experience context）。

如果希望这种方法长期有效，可以把个人经验系统化。

一个简单的方法是建立解决问题经验库（Experience Library），核心可以分为三个步骤。

很多开发者习惯记录答案，例如：「如何解决某个 bug」。但更有价值的是记录解决过程，例如：

问题：API 返回 500 错误

解决步骤：
1. 查看服务器日志
2. 检查数据库连接
3. 验证请求参数
4. 用单元测试复现问题

关键点是：记录思考路径，而不是只记录结果。

当记录足够多的问题后，可以总结出一些稳定的模式，例如：

这些模式其实就是经验的结构化表达。

当 AI Agent 执行任务时，可以加载这些经验模式，例如：

你是一个编程助手。

当实现新功能时，请遵循以下开发流程：
1. 明确需求
2. 设计
3. 实现最小版本
4. 添加测试
5. 优化代码

到这一步，有没发现就是 skill 的雏形了，我们可以把这个写成我们的 skill，加到不同的 Coding 编辑器里，让 AI 自行调用，感觉可以大大提高开发效率。但是这可能会导致我们失业～

上周看了篇 Claude 发布的报告整理了当前 AI 背景下使用 Claude 最多，以及可能是高失业风险的人群，里面使用占比最多，被预测为高风险的人群就是计算机行业的工程师。

参考文档：

本文标题：一种提升 Agent Coding 稳定性的思路

文章作者：Canace

发布时间：2026-03-09

最后更新：2026-03-09