如何让 AI 编程更可靠:从 6A 工作流到上下文工程(三) 2026-11-22 程序之旅,记录 暂无评论 1 次阅读 # AI 编程的工程化实践:从 6A 工作流到上下文工程 怎样把 AI 编程组织成一个有明确目标、能持续推进、能够验证结果的工程过程,是使用 AI 开发项目时值得持续思考的问题。 6A 工作流、Figma 设计规范,以及 Manus 分享的上下文工程经验,分别从开发流程、设计规范和智能体运行机制三个角度,提供了具体的方法。 我认为,其中最值得学习的是:**明确验收条件、合理拆解任务,以及管理 AI 工作时能看到的信息。** 这些内容可以分成三块: | 部分 | 主要讲什么 | 解决的问题 | |---|---|---| | **6A 工作流** | 对齐需求 → 设计架构 → 拆解任务 → 人工审查 → 自动执行 → 评估验收 | AI 误解需求、越做越偏、交付后不知道是否合格 | | **Figma 设计规范** | 统一颜色、字体、组件、布局、交互和交付方式 | AI 生成的页面风格不一致,设计难以复用和落地 | | **Manus 上下文工程** | 管理缓存、工具、外部记忆、任务目标、错误记录和示例 | AI 在长任务中成本高、忘记目标、重复犯错、机械模仿 | 下面是我认为最值得吸收的几个要点。 **先定义“怎样算做对”,再让 AI 开始做。** 6A 最有价值的地方,是把模糊愿望变成可以检查的要求。 6A 工作流包含六个阶段: | 阶段 | 主要任务 | |---|---| | Align,对齐 | 澄清需求,明确范围、约束和验收标准 | | Architect,架构 | 设计整体方案、模块关系和接口 | | Atomize,原子化 | 把复杂任务拆成可以执行和验证的子任务 | | Approve,审批 | 检查方案的完整性、一致性、可行性和可测性 | | Automate,执行 | 按任务依赖顺序实现,并逐项验证 | | Assess,评估 | 检查交付结果,记录未完成事项和必要配置 | 它的核心理念是:文档先行、任务递归、范围收敛。 例如,“帮我做一个待办事项网站”还不够明确。可以补充为: - 支持新增、完成、删除任务。 - 刷新页面后数据仍然保留。 - 空标题不能提交。 - 第一版只做本地使用,暂不加入账号和多人协作。 这样既明确了功能,也确定了边界和验收方式。之后拆任务、写代码、检查结果,都有依据。 **每次提需求,都写清楚目标、范围、限制和验收标准。** 小任务几句话即可,不必照搬整套文档流程。 **把大任务拆成能够单独验证的小任务。** 文章强调“原子化”:每项任务需要明确输入、输出、依赖和完成条件。 比如,“实现用户系统”可以继续拆成注册、登录、会话管理、权限检查等任务。每做完一项,就验证对应行为。 这里要掌握的是拆分尺度:**每一块都足够清楚,能够判断是否完成;同时保留它与整个系统的关系。** 拆得过碎、忽略接口和集成,也会出问题。因此,拆分任务时需要同时考虑: - 这项任务依赖哪些已经完成的工作。 - 它需要什么输入,应该产生什么输出。 - 怎样判断它已经完成。 - 它的结果将被哪些后续任务使用。 对使用 AI 编程的人来说,这能减少“一口气改很多文件,最后不知道哪里出了错”的情况。 **把上下文当作需要维护的工作记忆。** 这是 Manus 一节最值得读的部分。 “上下文工程”可以简单理解为:**安排 AI 在当前这一步能看到什么信息,以及需要时怎样找回其他信息。** 这些信息包括需求、代码、工具说明、历史操作、错误和当前进度。上下文的组织方式,会影响 AI 的判断、执行效率和持续完成任务的能力。 文章提出了两个很好用的方法。 一个是**把详细资料放在文件里**。当前对话保留必要摘要和文件位置,需要细节时再读取。 另一个是**持续更新任务清单**。让当前目标、已完成事项、下一步和阻塞问题保持清晰。 例如,一个稍复杂的项目,可以先维护两份简短文件: - `requirements.md`:目标、范围、关键决定和验收标准。 - `todo.md`:当前进度、下一步、未解决的问题。 文件本身不会自动成为 AI 的记忆,关键是让它在需要时读取,并及时更新。 Manus 更新待办事项的做法,还有一个作用:把任务目标重新带到近期上下文中。随着工具调用和观察结果不断增加,早期目标容易被大量信息淹没。持续复述目标,可以帮助 AI 保持方向。 还有一个实践上的补充:重要网页最好保存内容或快照,仅保留 URL 无法保证以后还能恢复原始信息。 **保留失败证据,用真实反馈纠正 AI。** 文章建议保留失败的操作和错误结果,因为这些信息能帮助 AI 调整后续行动。 比如接口请求失败,保留“调用了什么、传入了什么、返回了什么、已经尝试过哪些修复”,通常比只说一句“还是不行,继续改”有效。 值得学习的是一个完整的反馈过程: > 执行 → 观察结果 → 判断原因 → 调整方案 → 再验证。 不必把所有冗长日志反复塞进对话,但应该保留关键错误、相关条件和已经排除的方向。 如果把失败痕迹全部清掉,AI 就可能失去调整策略所需的证据,反复尝试同一条已经失败的路径。 这种“从错误中学习”主要发生在当前任务的上下文里,不等于模型被永久训练好了。 **做界面时,先建立可复用的设计规则。** Figma 那一大段内容,可以提炼为三个重点: - **统一视觉规则**:颜色、字体、间距、圆角等。 - **复用组件**:按钮、输入框、卡片、导航等。 - **补齐状态和适配**:加载、错误、禁用、空数据,以及不同屏幕尺寸。 这能直接改善 AI 生成界面的质量。 例如,先定义一个按钮的样式和状态,再让不同页面复用,后续修改也更容易保持一致。输入框、卡片和导航等组件同样如此。 界面设计还需要考虑实际使用中的各种状态:数据尚未加载时显示什么,操作失败时如何反馈,没有内容时怎样引导用户,屏幕变窄后如何调整布局。 文中的具体色值、字号、网格列数可以作为起点,应该根据产品和已有设计系统调整。 对于准备自己开发 Agent 的人,Manus 还有三条更偏技术的经验值得研究: | 经验 | 实际意义 | 应如何理解 | |---|---|---| | **保持提示前缀稳定,利用缓存** | 多轮任务会反复处理大量相同输入,缓存能降低成本和延迟 | 固定规则放前面,变化信息放后面;具体机制和收益取决于服务商 | | **控制每个阶段可选择的工具** | 工具太多会增加选错工具和绕路的机会 | 文中采用保留定义、限制调用的方式;是否适用取决于模型接口和系统架构 | | **避免被重复示例带偏** | AI 可能照搬前几次的处理模式,忽略当前对象的差异 | 每次判断都应回到当前证据;文中的“结构化变化”是需要验证的工程技巧 | **保持提示前缀稳定**,意味着不要轻易改动每轮请求中共有的内容。例如,在系统提示开头放置每秒变化的时间戳,就可能影响后续内容的缓存复用。确定性的序列化方式、稳定的工具定义和合理的缓存配置,也与此有关。 **控制工具选择范围**,是为了让 AI 在当前阶段更容易选到适当的动作。Manus 的经验是,频繁增删工具定义可能影响缓存,也可能让历史记录中出现当前已不存在的工具。因此,他们保留工具定义,并通过运行机制限制当前允许选择的动作。 **避免被重复示例带偏**,提醒我们注意模型的模仿倾向。连续处理多个相似对象时,AI 可能沿用此前的判断模式,而没有充分关注当前对象的具体信息。示例能够提供帮助,但仍然需要让每一次判断建立在当前证据上。 阅读这些方法时,也有几处需要保留判断。 **6A 适合复杂任务,完整套用可能增加负担。** 修改一处样式、修复一个小问题,可以采用简化流程;涉及多个模块或重要业务决策,再增加设计文档和审查。 **流程和提示词只能提高可靠性。** “AI 再笨也能做对”“未引入技术债务”这样的表述偏理想化,仍然需要运行结果、测试和实际检查来证明。 **Manus 分享的是自身系统中的经验。** 缓存命中率对成本和延迟很重要,但评估 Agent 还要看任务成功率、结果质量和错误恢复能力。文中的价格与接口能力,也应以实际使用时的信息为准。 按学习优先级,我建议先读透 Manus 的**“文件系统作为上下文、复述目标、保留错误”**,这三点最容易用到日常 AI 协作中;再从 6A 中提炼出“明确需求—拆分任务—逐项验证”的简化流程。有界面设计需求时,再参考 Figma 部分。 下次让 AI 做一个稍复杂的任务,可以直接这样描述: > 先理解现有项目,明确这次的目标、范围和验收标准,再拆成可以逐项验证的任务。 > > 普通实现细节依据项目惯例处理,影响范围或核心行为的歧义再向我确认。 > > 执行过程中维护简短进度,保留关键失败信息。 > > 完成后说明做了什么、验证了什么,以及还存在哪些问题。 本文根据以下资料整理,6A 工作流、Figma 规范及 Manus 的工程经验归相应原作者所有: - [Vibe Coding:优秀文章与项目资料汇编](https://linux.do/t/topic/1003802) - [6A 工作流与 AI + Figma 产品设计自动化方案](https://zhuanlan.zhihu.com/p/1938254002941846667) - [Cursor 与 Figma 的 MCP 集成项目](https://github.com/grab/cursor-talk-to-figma-mcp) - [AI 代理的上下文工程:构建 Manus 的经验教训](https://manus.im/zh-cn/blog/Context-Engineering-for-AI-Agents-Lessons-from-Building-Manus) 打赏: 微信, 支付宝 标签: ai 本作品采用 知识共享署名-相同方式共享 4.0 国际许可协议 进行许可。