为什么基于规则的自动化在 AI 开发中会失效
大多数开发者将自动化定义为：触发、过程和输出。这对于 cron 任务和部署脚本非常有效。但在使用 AI 编写软件时，这种模式会失效。
AI 不遵循固定的步骤序列。它会对架构和依赖关系做出判断。这种转变要求从简单的自动化转向管理式执行（managed execution）。
简单自动化的弊端
简单自动化适用于可预测的任务。它在编写样板代码或运行 linter 方面表现出色。这些任务路径明确，输出已知。
当任务需要上下文时，问题就出现了。你必须了解新功能如何与现有服务交互。你必须检查 schema 变更是否会破坏任何内容。
仅关注当前任务的工具往往会失败。它们生成的代码看起来正确，但会破坏你的架构。代码缺乏对你特定系统的感知。
工作流中的缺口
大多数公司已经实现了简单任务的自动化。行业数据显示，30% 到 40% 的工作流已经实现了自动化。
剩余的工作需要判断力。这是软件工程中最难的部分。由于缺乏上下文，基于规则的自动化在这里会变得非常昂贵。
管理式执行能提供什么
管理式执行改变了系统的运作方式。它专注于三个阶段：
• 规划先于执行。系统会针对需求和架构制定计划。在编写任何代码之前，你需要审查该计划。 • 可见性优于速度。现在的工具优先展示其工作过程。你可以看到构建背后的推理逻辑，而不是事后去猜测。 • 受控的工作流。系统使用状态机和任务委派来确保 Agent 的行为是可检查的。
如何选择合适的工具
不要问一个工具是否节省时间。几乎所有的工具都能节省时间。要问任务的范围。
对于狭窄、低风险的任务，使用简单自动化。它速度快，开销低。
对于复杂的构建，使用管理式执行。当架构决策涉及高风险时，请使用它。
目标不是取代自动化。目标是将工具与工作的风险等级相匹配。