从对齐到执行，AI 编码的完整工作流该怎么搭建？
AI 编码工具越来越强，但很多人用下来发现，真正卡住效率的不是“会不会写代码”，而是“怎么把对齐和执行串起来”。对齐做不好，后面的执行就会反复返工；执行环节缺了自主循环，人又得像盯新同事一样不断催进度。
先对齐，再放手：完整工作流的核心逻辑
对齐解决的是“做对的事”，执行解决的是“把事做完”。两者缺一不可。很多开发者先花时间和 AI 讨论需求、写 PRD，结果后面还是得一句一句下指令。这种模式下，AI 的速度优势被人为拖慢。
完整的 AI 编码工作流应该分成两段：先用结构化提问把需求和边界对清楚，再把明确目标交给工具，让它自主循环执行。只有把这两段串起来，才能实现从规划到交付的闭环。
Grill-me 技能：把需求追问到底
对齐阶段最有效的做法是使用类似 Matt Pocock 提出的 grill-me 技巧。简单来说，就是让 AI 像严格的 reviewer 一样，对你的方案逐个分支追问。
你可以用三句话启动这个过程：
– 这个方案在哪些场景下会失败？
– 如果必须砍掉一个功能，你会保留哪一个？
– 当前的边界条件和成功标准是什么？
经过这样一轮追问后，需求清晰度会大幅提升，后面执行时返工概率也会显著降低。对齐阶段花的时间，看起来慢，实际却能减少大量后期修改。
/goal 命令：让 Agent 自主循环执行
对齐完成后，进入执行阶段。Codex 和 Claude Code 等工具最近新增的 /goal 命令，正是为了解决“人需要不断催促”这个问题。
你不再需要每完成一步就下新指令，而是直接给出一个明确目标，例如：
/goal 修复搜索功能的 bug，直到所有测试通过且性能不退化
Agent 会自主进行分析、修复、测试、验证的循环，直到目标达成或遇到需要人类决策的阻塞点。它支持状态管理、预算控制和证据审计，不会无限制消耗 token，也不会自己宣布“搞定”却缺少实际验证。
这种模式下，开发者可以把任务设置好后离开，Agent 在服务器上持续运行，真正实现 24 小时工作。
人类角色的转变：从写代码到管边界
AI 负责执行后，开发者的价值并没有降低，反而向两端移动：
– 往前：更精准地定义问题、拆分任务、设定成功标准
– 往后：更严格地验证结果、审查 diff、判断业务边界
实际操作中，建议每次任务前先跑 baseline 测试，开启 verbose 日志，完成后强制看 diff，并在不确定时先切备份分支。这些验证节点能把风险控制在可接受范围内。
如何快速搭建自己的工作流
- 先用 grill-me 把需求和边界对齐清楚，输出结构化 PRD。
- 把对齐后的目标通过 /goal 下达，开启自主执行模式。
- 执行过程中保留完整日志和 diff，关键节点由人做最终判断。
- 任务完成后，检查业务结果而非仅看代码是否生成。
这套流程刚开始会觉得慢，但它把 AI 的速度用在了正确方向上，长期能大幅减少返工。把对齐和执行两个环节打通，才是当前 AI 编码真正高效的完整工作流。