这是鼎叔的第一百四十五篇原创文章。行业大牛和刚毕业的小白，都可以进来聊聊。
欢迎关注公众号《敏捷测试转型》，星标收藏，大量原创思考文章陆续推出。
去年 AI 编程在各大公司得到加速落地，于是鼎叔近期研究了 AI 编程实践对于开发工作流的改变，最深的感受就是:敏捷理论依然在引导着 AI 时代的研发变革，它非但没有过时，甚至被进一步强化和提纯了。
通过 AI（LLM）驱动的工具进行编程实践，本质上是希望重构软件开发的全流程，把开发者从繁重的脏活累活中释放出来，聚焦更有创意和更高价值的需求定义和系统设计工作。
开发者的角色变化
先从人开始讲起，再讲工作流和提效场景，最后是工具。
从 “代码产出者” 变成 “核心文档定义者”
之前技术人员普遍不喜欢写文档，未来，关键文档将成为开发者的首要工作。
开发者要把比较模糊的需求文档翻译成更容易 AI 实现的精准文档，包括功能边界、数据结构和架构设计，最终实现 “文档即代码”。对文档进行轻微修改，AI 会自动生成新的代码和数据库。
功能边界可能比想象中的更重要，AI 自动化产出速度极快，但功能的冗余会带来可用性的快速下降，以及体验问题的数量暴涨。毕竟产品是给人用的，而不是 AI，所以现阶段人更适合定义功能范围。
只要文档足够详细，不同模型的生成都不会偏离核心逻辑，只是速度不同。
注: 有同学可能会质疑，敏捷理论不是强调可工作的软件大于文档么?
鼎叔的观点是，在 AI 编程的当前发展阶段，人和 AI 的沟通还不对等，人的速度太慢，AI 有时会陷入越改越错的腐化状态，这时文档就是对齐两者目标的准绳。也许将来 AI 助手能做到始终心有灵犀，文档也就没那么重要了。
知识资产的管理者
文档成为开发者指引 AI 工作，以及验收成果的关键，这属于团队的核心资产，但不是全部。
人类很适合成为知识资产的管理者，把控入库资产的高品质和完整性，减少低质量文档带来的幻觉和低效。
新手工程师将成为受益者，获得更有支持性的学习曲线，文档不再杂乱晦涩，AI 可以随时耐心答疑。
知识库的更新是传统技术团队的难题，但 AI 可以帮助知识库进行动态更新，提供崭新视角，支持成员持续提问式学习，也鼓励共享优秀的提示词模板。
人 +AI 的新型协作关系
传统编程是人 + 人的协作，尤其是结对编程和 code review 活动。
人 +AI 模型构成了全新的开发协作范式，开发者的角色从 “代码实现者” 变成了 AI 的监督者和引导者。新角色能够:
把核心业务需求翻译成清晰的 prompt，并包含约束条件。
把复杂任务拆解为小步骤，避免 AI 生成混乱的代码。
审查 AI 生成的代码，包括异常场景和性能问题，确保符合约定的项目规范。
AI 生成代码时有一个等待时间，开发者正好可以利用它进行一些批判式思考，避免陷入被长时间编程催眠的状态。
善于编排多个 AI agent（或 subagent）完成复杂任务，做到指哪打哪。
形成高度个性化的开发体验。AI 可以根据个人的特殊业务流程，或者根据团队的偏好和认知进行定制。
长期角色定位
利用 AI 编程已经不是可选项，而是必由之路。随着 LLM 的业务理解能力和推理能力增强，AI 编程会从 “辅助单一任务” 迈入到 “自主完成复杂任务” 阶段，全流程自主完成整个需求研发生命周期（定义、设计、编码、测试、部署），最终在一定程度上实现 “意图编程”（意图即代码）。
到那时，开发者的核心能力就是定义好问题（用户需求），以及评估产品是否要继续发展。
对开发者的能力要求
AI agent 没有办法为交付承诺和线上质量负责，只有开发团队才能为此负责，be paid for responsibility,not code.
想要具备担责的能力，开发者就需要把能力往上移:
熟练拆解复杂需求（参考聊聊用户故事的估算和拆解），设计文档中对齐接口契约。
理解算法原理的优劣，而非记忆大量语句。
对新技术要学得比以前更快，才能驾驭好越来越强的 AI。比如，AI 编程大流行可能导致全新的动态编程技术开始涌现，参考线上用户数据调整代码。
始终提升对技术架构的判断力。
掌握合规和安全知识，把好发布关。
工作流与高效协作场景
先分享两张阿里巴巴做 AI coding 总结的工作流视图，比较清晰完整，有代表性。
我们按一个项目的闭环流程顺序来捋一下，哪些任务场景最容易被 AI agent 提效。
一 作为新人理解陌生代码
让新人快速了解代码的宏观作用，如 “这个函数实现了什么功能?请解读它的调用链路”
二 实时互动的代码助手
主要体现在代码搜索和答疑、代码补全、错误预警等角度。这些能力和编程流程融为一体，基于代码库上下文和过去案例的分析，预见性地满足编码意图，揭示了潜在缺陷，并提供了定制化的优化实践。
AI 代码助手还能够保持代码风格的一致性，方便开发者在切换项目时更容易维护代码。它利用大量代码样本训练的神经网络，能做到对各种编码模式的细致掌握。
三 重构遗留代码
模块重构可能会引入各种新问题，导致开发者如履薄冰，AI agent 可以帮忙风险预判，提供初步重构方案，让开发者审查提问。
四 撰写技术文档初稿
很多开发者对写文档还是发怵的，可以利用某些擅长写技术文档的大模型，节约大量写初稿的时间，人只需要在方案骨架上提出修改意见或者手动调整。
五 编写单元测试，推荐 TDD（测试驱动开发）
AI 自动生成常见单元测试用例非常轻松，开发者可以从特殊场景和特殊参数覆盖的角度补充意见。
TDD 是非常有效的高质量研发模式，但是想在团队中推进实践很不容易，AI agent 则没有这个担心，测试代码本身就成为质量规范的自动化保障。参考:聊聊测试驱动开发
AI agent 能确保本团队的代码质量跟上行业标准，这种对质量的警觉性是传统团队极难获取的。
六 排查线上问题
之前文章分享过，AI 擅长分析错误日志，识别常见错误模式，提出启发性解决手段，甚至推荐最契合的开发负责人来评审。参考聊聊大模型如何为敏捷研发提效
人可以核实解决效果，评审修复代码是否引入新的风险。
七 推送代码及部署
让大模型提交推送，就不用担心推错文件、用错 git 命令了，一些 commit 冲突问题可以自动解决。
AI 编程的工具能力
按时间顺序解读 AI 编程的工具链，就是固定的全局提示词模板，选择合适的大模型服务，掌握 MCP 接口服务，针对特定任务选择合适的 skill 插件。
Prompt 全局模板（.md 文件）
提示词质量对 AI 生成效果影响很大，在 AI 持续对话编程的场景下，很容易上下文资源耗尽，其中重要原因就是输入提示词的重复低效。所以要让 AI 先仔细阅读 “guide” 再开始干活。
固定的提示词文件可以整体设置项目编程风格，引用文件路径，工作策略（先做啥后做啥），交付格式，禁止或约束等。
这样就把 prompt 变成了固定资产，而非消耗品，能大幅增强效果，并降低 token 成本。
大模型选择
引用各方实践者的观点: GPT，Gemini，Claude 等模型的最新版本在性能方面很强，适合用于复杂的重构任务，算法设计，架构设计，但是注意代码资产的脱敏。建议结合任务类型和实测效果来选型。
一般而言，可以用内部模型进行知识库的学习和答疑，以及敏感数据分析。再把脱敏内容给外部高性能模型寻求重构优化方案和测试保障。
很多实践者给了一句忠告，尽量使用强力模型的新版本，性能的提升可能大于开发者的辛苦优化效果。
Multi Agent 多智能体协同工具
多智能体协同可以完成更加复杂、更长周期的需求开发，可以被看作是一个虚拟的 AI 研发团队。
单一大模型在开发中遇到的常见瓶颈 “能力有限，多轮对话容易出现逻辑混乱”，在多智能体协同中可以得到更鲁棒的解决。每个 agent 专注自己扮演的角色，认领分工，互相补位。
掌握 MCP（模型上下文协议）
MCP 可以理解为 AI 编程的万能接口，通过安全的统一标准让模型调用外部工具和数据。在 MCP 出现之前，自己的模型想要部署到外部厂商的云平台，适配代价很高昂，一旦云平台升级，可能大模型服务就无法使用了。
通过 MCP 就可以一次封装，任意调用，改变以往 “只能靠嘴说，难以接入真实平台” 的尴尬，极大降低运维成本。
能力插件（以 Claude 的 skill 为例）
鼎叔看 Claude Code 教程中 Skill 的用法占据了相当篇幅。
Skill 是让大模型按照一定条件触发特定脚本（确定性的垂直能力，类似传统编程功能），形成一套 AI 处理规则库，拥有独立的知识库。
即使开发者换人了，这套能力和使用规则都是稳定的，包括:上下文过滤规则，安全和规范检查，自动化测试等。
skill 可以做到按需加载，降低上下文 token 消耗。
结语 - 感想
传统编程时代，开发者的核心价值是大脑里的编码经验；在 AI 编程时代，开发者的价值是建立文档驱动研发流程，不断优化适合本团队的提示模板和 AI 技能组合，具备发布审计能力。
开发者要改变不断切换工作的低效模式，转型为 “全局思考者”，负责核心代码逻辑的思考，并调度好各个 AI 完成互不重叠的子任务。
AI 时代能用好大模型的开发者，通常具备系统思考和敏捷精益理论: 擅长先思考为什么（分析用户价值），而不是急着做什么（尽快开工交差）。
AI 的价值不再只是 “更快完成指定任务”，而是通过工作流重塑 “开发者的高价值边界”。新时代的 AI 编程平台更加强调长时间工作的稳定性，生产级别的规划设计。
未来的 AI 奇点时刻，可能就依赖 AI 编程率先到达奇点，代码是纯粹的逻辑运行，能带动万物的无限可能。
图片
下一个想探讨的 AI 编程主题，是如何系统化提升 AI 编程的确定性。
参考文章:
阿里云 - 从传统编程转向大模型编程
阿里云效-AI Coding 工作流实践分享