用脚本+AI CLI半自动写代码：实践经验分享

发表于

最近在折腾一个“半自动编程”项目，目标是让 AI 工具在一个相对可控的框架下持续编码，帮我实现一个个明确的开发任务。这里分享整个过程、思路和实践套路，算是一次探索性的工程笔记。

为什么要搞半自动

市面上的 AI 编程工具越来越多，比如：Claude Code、Gemini CLI、QWEN CODE 以及其他支持 CLI 模式的 AI 工具。
它们都能帮我们提高开发效率，但如果只是一次次手动问问题，效率还是不够高。我的想法是：

  1. 用脚本封装和调度这些 AI 工具；
  2. 利用 tmux 维持 AI CLI 的会话状态；
  3. 自动给 AI 下发任务、收集结果，让 AI 一直“干活”，直到任务完成。

这就像有个“虚拟小弟”24小时帮你写代码，而你更多做架构和技术方案的管理。

总体套路

我总结下来整个流程可以分成四步，每一步都强调人工 review，避免“AI乱写”导致项目失控。

1. 初始化项目：立规范、搭框架

项目开始前先搞定规范和架构，这是整个半自动化的基础。

  • 新建 GitHub 仓库，初始化代码框架：

    1
    git clone git@github.com:Kingson4Wu/ts-playground.git

  • 参考已有项目文档，比如我用的 cpp-linux-playground，根据 TypeScript 项目的需求，改写成自己的 PROJECT.md。

  • 规划好：

    • 技术栈（语言、工具链、标准）
    • 测试和任务验收标准
    • 静态分析工具
    • 项目目录结构
    • Git 提交规范

小建议：把 docs/ 改成更专门的目录名（比如 specifications/），避免混乱。

这一阶段主要是人工定规则、搭骨架，AI可以辅助起草文档，但最终必须你拍板。

2. 细化任务实现方案

所有任务先出详细的实现和测试方案，放在 @specifications/task_specs/ 下。
原则：

  • 不直接写代码，先写详细设计；

  • 每个任务的设计经过人工审查和修改；

  • 任务设计文件需要明确：

    • 功能描述
    • 实现逻辑
    • 输入输出
    • 单元测试方案
    • 潜在问题或风险点

这样做的好处是：AI有明确的执行指南，写出的代码更可控，后续修改成本也低。

3. 半自动化驱动编码

有了规范和任务设计，就可以开始半自动写代码了。
我的方案是：

  • 用 Python 脚本驱动 AI CLI 工具；

  • 通过 tmux 维持 AI 会话，避免中断；

  • 每个任务循环：

    1. 给 AI 发实现方案；
    2. 要求它按方案写代码，但不要自动提交代码；
    3. 人工检查后再提交到 Git。

脚本和逻辑可以参考 ForgeFlow，里面有完整的交互逻辑示例。

小技巧：

  • 每个 Prompt 末尾强调“不要自动提交代码”；
  • 如果任务超时超过1小时，自动触发检查机制；
  • 项目进度同步到 TODO.md，并在 PROJECT.md 中引用。

4. 定义“完成”的标准

一个任务完成的定义：

  1. 按实现方案完成代码；
  2. 单元测试全部通过；
  3. 脚本和 Prompt 更新到位；
  4. 构建和测试无异常；
  5. Git 提交所有改动；
  6. 进入下一个任务。

最终目标是：

输出所有方案 -> 自动实现 -> 所有项目任务完成后，AI只返回“完成”两个字。

实战项目参考

示例项目：ts-playground
这是我搭的一个 TypeScript 学习和实验环境：

  • CI/CD 流程完整；
  • 用于系统掌握 TypeScript 类型系统；
  • 可以复用于后端服务、CLI 工具开发。

这个项目就是通过“人机协作+半自动化”方式落地的。

半自动 vs 全自动

目前这种方案是“半自动”，而不是“全自动”。原因：

  • 设计和规范必须人工介入：AI生成的规范往往不够完善；
  • 脚本和Prompt需要不断打磨：无法覆盖所有场景；
  • 代码质量还需人工检查：AI的水平不总是稳定。

换句话说，这是一个低成本、可控、复用性强的探索阶段方案。
全自动化？有点远，尤其是多Agent复杂度太高，难以管理上下文和控制风险。

上下文管理的核心

要想让AI持续有效地工作，项目上下文必须有序管理：

  1. 规范文件分类清晰，按模块分目录；
  2. 方案文档结构化，方便AI快速索引；
  3. 自动化脚本根据任务调度上下文，让AI“看得懂项目”。

这才是真正的“AI编程助手”关键所在。

一点哲学思考

这套方案的本质是把开发人员角色分层：

  • AI是“码农+助理”，帮你实现具体功能；
  • 你是“开发经理”，负责设计、审查、控制质量；
  • 团队协作依旧重要，人类仍然是决策核心。

AI工具不是真正的替代，而是推动开发人员往更高的抽象层次发展。
从这个角度看，AI是个强大的加速器，而不是终点。

总结

整个实践路线：

  1. 项目初始化，搭规范和骨架；
  2. 细化任务方案，人工Review；
  3. 用脚本驱动AI半自动写代码；
  4. 明确完成标准，逐步推进。

这是目前我能找到的最可控、最实用的“AI编程”方式。
它既降低了成本，又不至于乱套，非常适合小团队或者个人工程师快速起项目。