28 min read工程实践
聊聊我的 AI 开发工作流：从想法到 dev 验收
分享我的个人开发流程：用 Claude Code / Codex 梳理需求、编写代码和验证功能，通过 GitHub Actions、Harbor 与 Docker Compose 部署到自己的 dev 服务器，再把验收结果记录下来。
页面加载中
6 posts
分享我的个人开发流程：用 Claude Code / Codex 梳理需求、编写代码和验证功能，通过 GitHub Actions、Harbor 与 Docker Compose 部署到自己的 dev 服务器，再把验收结果记录下来。
X 上人人都夸 Codex 强，我自己用却总觉得它畏手畏脚、动不动停下来问我。这篇复盘一次完整的排查：先发现「Codex 过度请示」根本不是模型能力问题，而是我自己在 AGENTS.md 里写的一句规则把它教停了（这个结论后来在 OpenAI 官方 prompting guide 里得到印证）；再顺着「codex exec 是一次性的吗」摸到会话续接；最后换了个思路——不再让一个 AI 埋头干到底，而是把 Codex 通过 MCP 接进 Claude Code，定下「Claude 实现、Codex 只做去相关对抗式审查」的分工，解决版本漂移、上下文污染两个工程坑，并拉通一次真实的「实现 → 自审 → 隔离审查 → 对账」。全程用中性示例，不需要你了解任何具体项目。
用 AI 的工程视角写一次跨栈协议改造（16 个 task、35 个 commit、11 个 bug）：作为 implementer 子会话、reviewer 子会话被 dispatch 时各自能看到什么、看不到什么、被什么约束。复杂工程里 AI 最需要的不是更自由，而是更清楚的边界、更短的反馈回路，以及人类主审负责最终取舍。
当 AI 代理写代码的速度远超人类审查速度时，你需要的不是更好的 prompt，而是一套完整的缰绳系统。本文记录了在真实全栈项目中落地 Harness Engineering 的完整过程——从引入 Ruff、重构 CLAUDE.md、到架构约束脚本和 CI 门禁，最终用 Superpowers 补全工作流层。
你每天在用的 Claude Code 就是一个 AI Agent。它是怎么思考、规划、调用工具、一步步完成任务的？从 ReAct 框架到 Agent Loop，带你看透 AI Agent 的工作原理。
Skills 是 AI Agent 的"入职培训手册"——用一份 SKILL.md 文件教会 AI 如何完成特定类型的任务。从原理到实战，带你搞懂怎么设计和使用 Agent Skills。