CodeAgent 的价值在于进入工程现场
和普通对话式 AI 不同，CodeAgent 的优势是能直接读取项目、理解文件结构、运行测试并修改代码。它更像一个可以协作的工程助手，而不是单纯的代码生成器。使用它时，我最明显的感受是：代码阅读和局部修改的启动成本下降了。
但这并不意味着可以把整个任务无条件交出去。越是靠近业务语义、架构约束和长期维护性的判断，越需要工程师自己把方向说清楚。
适合交给 AI 的任务
CodeAgent 在以下任务中比较稳定：
- 梳理目录结构和模块职责。
- 根据已有模式补齐同类组件。
- 定位测试失败的直接原因。
- 对重复代码做小范围一致性调整。
- 起草 README、变更说明和技术总结。
这些任务有共同特点：上下文可以被读取，目标可以被验证，影响范围相对清楚。
type AgentTask = {
context: "readable";
goal: "specific";
verification: "build" | "test" | "review";
};不适合完全放手的任务
如果任务涉及架构方向、核心模型假设、安全边界或跨团队承诺，AI 只能辅助分析，不能替代决策。它可能会给出看起来完整的方案，但忽略历史包袱、组织约束或隐含的产品目标。
| 任务类型 | AI 角色 | 人的责任 |
|---|---|---|
| 局部 bug 修复 | 搜索与候选补丁 | 判断根因和回归风险 |
| 新功能开发 | 生成骨架和测试建议 | 明确边界和验收 |
| 架构演进 | 梳理选项 | 做取舍并承担结果 |
好的提示词来自好的工程拆解
我发现提示词并不是越长越好，而是越接近工程拆解越好。告诉 AI 目标、边界、已有模式、不能破坏的行为、验证方式，比单纯说“帮我实现某功能”有效得多。
AI Coding 的核心不是让人少思考，而是让思考之后的探索、验证和表达变得更快。