按这篇 GitHub 博客的口径,智能体工程的重点不是让 AI 一次性写出更多代码,而是把它嵌入完整开发流程,帮助开发者规划、修改、验证并交付;下面用一个可照做的小项目练习这套方法。

先准备前提:安装 GitHub Copilot,准备一个可运行的代码仓库,并确认终端、测试命令和 Git 操作可用;再创建一个只包含“读取待办、添加待办、列出待办”的练习项目,你会看到项目能正常启动,这说明后续实验具备可验证的基线。
第一步是把需求写成代理可执行的说明,明确输入、输出、允许修改的文件和完成条件,例如“新增待办后必须列出结果,并让测试通过”;常见坑是只说“帮我实现功能”,代理会自行猜测范围,应改为给出文件边界、验收标准和禁止事项。
第二步让代理先分析再行动:要求它阅读现有目录、说明实现计划,并列出需要修改的文件与测试方式;完成后应看到一份简短计划,若它跳过检查现有代码或直接大范围重写,应先要求缩小改动并解释依据。

第三步再授权编码,让代理按计划逐项实现,每完成一项就运行相关测试,而不是等全部代码写完才验证;常见坑是代理声称“已经修好”却没有提供命令结果,因此每次任务都要求贴出实际测试输出,失败时根据错误继续迭代。
第四步把智能体放进闭环:把任务描述、代码修改、测试执行和结果回传组成固定流程,再通过 Git 提交保存每个可回滚的小步骤;你会看到历史记录中能从需求追到变更与验证,若代理改坏代码,可恢复上一提交,而不必从头重做。
第五步加入人工检查,重点看权限、密钥、依赖和边界条件,并让代理只报告风险、不要擅自扩大范围;常见坑是让代理自动安装陌生依赖或执行不可逆命令,此时应固定依赖来源、审查差异,并先在测试环境运行。

最后复盘一次任务,比较直接生成代码与智能体流程在计划质量、测试反馈和改动规模上的差别,并把有效提示沉淀成模板,例如固定角色、目标、上下文、约束、验收标准和输出格式;持续这样使用,才能从“会写代码的助手”转向可监督、可验证的工程协作方式。
OpenClaw—AI研究