一篇关于 AI 编程工作流的实践给出了明确取舍：Agent 负责阶段内决策，CLI 负责流程约束，并把人的确认留在少数关键节点。这不是让模型完全自由运行，也不是把开发改造成僵化脚本，而是把二者职责分开；我们认为，它比“模型能不能写代码”更接近企业落地时的真实瓶颈。

这是什么

这套方法把一次软件交付拆成需求、设计、开发、验证和交付等阶段。Workflow 是阶段依赖关系，Phase 是每个阶段的输入、执行和输出标准，State 则记录一次任务已经完成什么、卡在哪里、产出了哪些文件。

核心机制是让 Agent 通过命令行工具查询进度、登记产物并申请进入下一阶段。CLI（命令行工具）保存确定性规则，检查文件是否齐全、交接内容是否符合约定；Agent 则是能够理解任务并选择执行方法的大模型代理（让模型自主调用工具完成一段工作）。即使会话中断或上下文被压缩，后续也能依据 State 继续，而不是依赖模型“记得自己做过什么”。

行业怎么看

值得肯定的是，这种设计承认了模型输出存在波动，因此把验收、交接和恢复机制放在模型之外。它也适合需求到交付跨越多个会话的复杂任务，避免每一步都从头解释背景。

但风险同样明显。流程定义、产物合同和 CLI 工具本身需要持续维护；如果每个阶段都配置大量规则与技能文件，团队可能只是把复杂度从提示词转移到了流程系统。更关键的是，CLI 能确认文件存在，却未必能确认方案真正有效。结构化检查通过，并不等于业务结果正确，验证阶段仍需要专业判断和真实测试。

因此，它更适合重复度较高、产物可定义的工程任务，而不是所有研发活动。模型越强，流程系统未必越复杂，但验收标准仍不能省。

对普通人的影响

对企业 IT：企业引入 AI 编程助手时，选型重点可能从模型能力转向权限、日志、任务状态和审计能力。能否恢复、追踪与复盘，会比演示时多写几个功能更重要。

对个人职场：软件从业者的角色会逐渐向需求定义、任务拆解、结果验收和流程设计移动。懂业务并能说明“什么算完成”的人，协作价值可能高于只负责生成代码的人。

对消费市场：短期内，AI 应用的质量差异会更多体现在后台流程是否稳定，而非所有产品都会立刻明显变好。消费者感受到的仍是速度和价格，而背后的交付可靠性差异可能先在企业市场显现。