打造AI工作流没有银弹

从去年11月份到现在，我开始密集的使用coding agent 编程，一直有一个期望是实现全自动驾驶，也就是现在时髦的话术，loop engineering。

Skills 就是Loop engineering的最佳载体，每个垂直场景，应该有自己的Loop Engineering，而不是有一个大而全的Loop Engineering。

而一个好的Loop Engineering 应该有两部分组成， /goal + Skills.

Skills 中最重要的是spec + tdd， 每次需求，除了把spec 写清楚，还有就是测试用例要写的足够清晰。

Skills 约束研发流程

然后每次落地goal的时候，要求必须使用skills 约束生产流程。

1. 需求澄清
2. 技术方案分析

Tdd 约束研发质量

测试能力预埋

对于存量仓库，可以切一个新分支，一次性补全所有的单元测试用例，然后合并回主干分支。这样后期切新分支，也没有影响了。

质量保障伴生

技术方案阶段，就要做影响面分析。测试方案阶段，就要做单元测试分析，集成测试分析，对应的产物是 单元测试文档、冒烟用例、完整用例。

这样代码写完后，Agent 就开始编写各种用例，并在每次部署前进入自测环节。因为有大量的测试用例，可以保证工程质量的相对稳定，减少不必要的返工。

Token消耗的控制

伴随着大量的测试用例消耗，虽然可以解放人的精力，但是也带来token得消耗暴增。如何解决这个问题呢？

1. 测试范围分析，只对本次改到的内容做测试，而不是全量的case 都跑一遍
2. 集成测试框架，让测试框架直接跑，agent 拿测试框架的结果就可以，不要让ai 去逐个执行测试用例

质量部分这么改造后，基本上产出的代码可以直接使用，减少测试成本。

发布能力集成

既然是Loop Engineer 我们就要考虑到发布环节。

我用的Vercel 来承担devops的角色。于是我将 vercel的整个 预发线上环境逻辑，vercel-cli 集成到skills中，这样代码每次执行完，就会自动发布，节省了我大量的时间。

项目地址：

https://github.com/BiuBiuHu/opc-skills

欢迎大家提pr