本文翻译自 Agentic Engineering Patterns，作者 Simon Willison。
随着 Claude Code、OpenAI Codex 等 AI 编程代理的普及，我们需要重新思考如何与这些工具协作。Simon Willison 在这篇文章中分享了他与 AI 代理配对编程的经验和最佳实践。
核心原则
写代码很便宜
AI 代理改变了代码的经济学。现在，写代码的成本大大降低，但阅读、理解和维护代码的成本并没有同步下降。
这意味着：
- 让代理写更多代码，不要担心初稿质量
- 用测试来验证行为，而不是手动检查每一行
- 保持代码简单易懂，因为未来的你（或其他人）仍需理解它
积累你知道怎么做的事情
建立个人代码库，收集你成功实现过的功能片段。这些”配方”可以加速未来与代理的协作：
- 常用配置模板
- 认证流程实现
- API 集成示例
- 数据库迁移模式
当你让代理实现类似功能时，提供这些参考示例可以大大提高成功率。
测试与质量保证
红/绿 TDD
传统的测试驱动开发（TDD）流程是：先写失败的测试，再写代码让测试通过。这个模式对 AI 代理尤其有效：
- 先写测试：描述你期望的行为，让测试失败（红色）
- 让代理实现：给出明确的测试用例，代理知道目标是什么
- 验证通过：运行测试确认实现正确（绿色）
为什么这对代理很重要？
- 测试提供了明确的行为规范
- 代理不会”过度设计”超出测试范围的功能
- 你可以用测试套件快速验证重构没有破坏任何东西
先跑测试
在让代理修改任何代码之前，先跑一遍现有测试。这是一个简单但重要的习惯：
- 确保当前代码库是健康的
- 如果测试失败，先修复再继续
- 给代理一个干净的起点
AI 生成的代码可能有微妙的 bug。自动化测试是你最好的防线。如果你的项目没有测试，让代理帮你写一些——这是代理擅长的工作。
理解代码
线性演练
当你需要理解一个不熟悉的代码库时，让代理进行”线性演练”非常有效：
- 从入口点开始（如
main.py或index.js） - 让代理逐行解释代码执行路径
- 跟踪关键数据结构的变化
- 记录重要的函数调用和依赖关系
这种方法比随机浏览文件更能建立对系统的整体理解。
交互式解释
有时候静态的代码解释不够直观。Simon 提到使用动画和交互式可视化来理解复杂逻辑：
- 让代理创建逐步的动画演示
- 可视化数据流和状态变化
- 用具体例子而非抽象描述
这种方法特别适合理解：
- 算法执行过程
- 并发和异步逻辑
- 复杂的状态机
认知债务
使用 AI 代理编程有一个潜在风险：认知债务。
当你让代理写了大量代码，但没有完全理解每一行，你就积累了”认知债务”。这些代码能工作，但如果出问题，你可能难以调试。
缓解策略：
- 定期让代理解释关键模块
- 保持代码模块化和可测试
- 不要让代码库变得你自己无法理解
- 用文档记录架构决策
实用技巧总结
- 测试优先：在修改代码前确保有测试覆盖
- 小步迭代：让代理做小改动，频繁验证
- 保持简单：简单的代码更容易被理解和维护
- 建立参考库：收集成功的代码模式供未来使用
- 主动学习：让代理解释它写的代码，不要只是复制粘贴
个人思考
这篇文章点出了 AI 辅助编程的一个核心矛盾：代码生成变便宜了，但理解代码的成本没有降低。
作为开发者，我们需要调整心态：
- 从”写代码的人”变成”审查和引导代码的人”
- 测试不再是可选的，而是必需的护栏
- 代码可读性的重要性反而更高了——因为读者可能是未来的你，试图理解 AI 生成的内容
最实用的建议是红/绿 TDD：让测试成为你和代理之间的”契约”。测试定义期望行为，代理负责实现。这种分工清晰且可验证。
另一个值得思考的是认知债务问题。如果你 80% 的代码都是 AI 生成的，当代码出问题时，你能快速定位和修复吗？这提醒我们：即使有 AI 帮忙，理解自己的代码库仍然至关重要。
关键要点
- AI 代理降低了写代码成本，但理解成本不变
- 测试驱动开发是与 AI 协作的最佳模式
- 先跑测试，确保干净起点
- 用线性演练理解陌生代码库
- 积累代码配方，加速未来协作
- 警惕认知债务，保持对代码库的理解