古法编程

教 AI 规划项目架构与自动开发工作流

解决复杂项目开发难题：通过识别适合 LLM 的任务特性，设计分阶段管道架构，利用 AI 助手快速生成代码并验证原型，大幅降低从想法到成品的开发成本。

为什么需要这个技能

传统的软件开发流程中，架构设计和任务规划耗时最长。引入 AI 后，我们面临新的选择：哪些任务适合交给 AI 完成？如何组织多阶段处理流程？如何控制 Token 成本？

本技能提供一套方法论，帮你判断任务是否适合 LLM（如文本生成、多源综合），并指导你构建可缓存、可独立运行的管道架构。它能避免盲目自动化带来的资源浪费，确保 AI 真正提升效率。

适用场景

  • 启动一个新项目，需要评估是否适合使用 LLM 处理。
  • 设计批处理管道，从数据获取到最终渲染的全流程规划。
  • 决定使用单智能体还是多智能体架构来处理复杂任务。
  • 预估项目的 Token 成本和时间投入。
  • 重构现有系统，利用 AI 快速生成样板代码和单元测试。

核心工作流

1. 任务模型匹配评估

在编写任何代码之前，先验证任务是否适合 LLM。 适合 LLM 的任务通常具备以下特征：

  • 多源综合：需要整合不同来源的信息。
  • 主观判断：基于标准进行评分、分类或评估。
  • 自然语言输出：目标是生成可读文本而非结构化数据。
  • 容错性强：允许一定程度的错误存在。
  • 批处理：各项之间不需要会话状态。
  • 已有领域知识：模型训练数据中已包含相关内容。

不适合 LLM 的任务包括：

  • 精确计算：数学计算、计数和严格算法。
  • 实时要求：低于秒级的延迟响应。
  • 完美准确：需要 100% 准确率，存在幻觉风险。
  • 依赖私有数据：模型缺乏必要上下文。
  • 强依赖前序结果：每一步都严重依赖上一步的输出。

手动原型验证：在自动化之前，先用手动测试一个代表性示例。检查模型知识、输出格式和失败模式。如果原型失败，自动化系统也会失败。

2. 管道架构设计

采用分阶段管道架构，每个阶段应具备以下特性：

  • 离散：阶段之间有清晰边界。
  • 幂等：重复运行产生相同结果。
  • 可缓存：中间结果持久化到磁盘。
  • 独立：各阶段可独立运行。

标准管道结构：

acquire → prepare → process → parse → render
  1. Acquire：从 API、文件或数据库获取原始数据。
  2. Prepare：转换数据为提示格式。
  3. Process：执行 LLM 调用（昂贵且不可预测的步骤）。
  4. Parse：从 LLM 输出中提取结构化数据。
  5. Render：生成最终输出（报告、文件或可视化）。

阶段 1、2、4、5 是确定性的，阶段 3 是非确定性的且昂贵。这种分离允许仅在必要时重新运行昂贵的 LLM 阶段，同时快速迭代解析和渲染。

3. 使用文件系统管理状态

使用文件系统跟踪管道状态，而不是数据库或内存结构。为每个处理单元创建目录，通过文件存在性标记阶段完成。

data/{id}/
├── raw.json         # acquire 阶段完成
├── prompt.md        # prepare 阶段完成
├── response.md      # process 阶段完成
├── parsed.json      # parse 阶段完成

此模式提供自然的幂等性、易于调试（所有状态人类可读）、简单的并行化和简单的缓存。

4. 结构化输出设计

当 LLM 输出需要程序化解析时，提示设计直接决定解析可靠性。提示必须指定确切的格式要求并提供示例。

有效的结构规范包括：

  1. 部分标记：解析用的明确标题或前缀。
  2. 格式示例：展示输出应看起来如何。
  3. 理由披露：说明将进行程序化解析。
  4. 受限值：枚举选项、分数范围、格式。

示例提示结构：

Analyze the following and provide your response in exactly this format:

## Summary
[Your summary here]

## Score
Rating: [1-10]

## Details
- Key point 1
- Key point 2

Follow this format exactly because I will be parsing it programmatically.

解析代码必须优雅地处理变化。构建解析器：使用能处理微小格式变化的正则模式、在部分缺失时提供合理默认值、记录解析失败以便审查。

5. 智能体辅助开发

现代智能体能力模型可显著加速开发。模式是：

  1. 描述项目目标和限制。
  2. 让智能体生成初始实现。
  3. 测试并迭代特定失败。
  4. 根据结果优化提示和架构。

关于有效智能体辅助开发的关键实践：

  • 提前提供清晰、具体的要求。
  • 将大项目分解为独立组件。
  • 在移动到下一步之前测试每个组件。
  • 让智能体一次专注于一个任务。

6. 成本与规模估算

在开始前估算可预测的 LLM 处理成本。公式：

Total cost = (items × tokens_per_item × price_per_token) + API overhead

跟踪实际成本。如果成本超出估算，重新评估方法。考虑：

  • 通过截断减少上下文长度。
  • 对简单项使用较小模型。
  • 缓存和重用部分结果。

下载和安装

下载 project-development 中文版 Skill ZIP

解压后将目录放入你的 AI 工具 skills 文件夹，重启工具后即可使用。具体路径参考内附的 USAGE.zh.md。

你可能还需要

暂无推荐