用提示词工程堆出两万行 Agent 代码的实操心得与坑点

很多人对大模型的认知还停留在“聊天机器人”阶段，但如果把它定位成一个能够执行复杂逻辑的“超级计算器”，你会发现它的生产力上限极高。最近我尝试了一次激进的实验：在完全不手动编写代码的前提下，仅通过提示词迭代，构建了一个规模达到 20,000 行左右的自主 Agent 系统。

这次尝试让我意识到，想要用 AI 规模化地生成复杂系统，最忌讳的就是“一次性指令”。如果你尝试用一个长 Prompt 让 AI 直接吐出整个系统，结果大概率是逻辑混乱且无法运行的碎片。我总结出的一套可复制路径是：原子化拆分 → 协议先行 → 模块填充。

首先是原子化拆分。我将整个 Agent 的功能强行切割成极小的原子模块。在进入具体编码之前，我没有让 AI 写任何逻辑，而是强制它先定义一套严格的接口协议。这意味着每个模块的输入是什么、输出是什么、异常处理机制是什么，必须在文档中先行达成共识。只有当接口定义被确认后，我才会指令它一个模块一个模块地填充内部逻辑。这种方式将复杂的系统工程转化成了简单的“填空题”，极大降低了 AI 产生逻辑冲突的概率。

但在实际操作中，我遇到了一个非常棘手的技术瓶颈，即“上下文漂移（Context Drift）”。当项目的代码量累积到几千行时，AI 即使拥有较大的上下文窗口，也会在生成新代码时出现严重的记忆衰减。最典型的表现就是它开始忘记之前定义过的全局变量或类方法，导致生成的代码出现大量低级 Bug，比如调用了一个根本不存在的函数，或者给变量起了一个完全不同的名字。

为了解决这个幻觉问题，我引入了一套“外部记忆”机制。我建立了一个名为 docs/ 的目录，专门用于存放全局架构文档。在每次要求 AI 生成新模块或修改现有代码之前，我都会强制要求它必须先读取该目录下的架构索引。

具体操作时，我会维护一个类似下面的 Markdown 架构文件：

# Project Architecture
- Module A: Handles API authentication (see auth.py)
- Module B: Manages state machine (see state.py)
- Global Variables: 
  - USER_SESSION: stores auth tokens

通过这种方式，我把 AI 的注意力强行锚定在当前的全局状态上。每当它准备写代码时，先通过读取 docs/ 确认当前的变量定义和模块依赖，从而有效抑制了由于上下文过长导致的逻辑漂移。

当然，这种开发模式并不意味着可以完全脱离 Debug。虽然我没有手动写代码，但我花费了大量时间在通过提示词引导 AI 自行排查错误。即便如此，这种“提示词驱动”的开发效率依然比我手动敲代码快了不止一个量级。

对于想要尝试这种工作流的开发者，我的核心建议是：不要追求一次性生成，而要追求结构化的定义。把精力花在如何定义模块接口和维护架构文档上，而不是纠结于某个具体函数的写法。当你能把复杂系统拆解成 AI 可理解的原子步骤时，两万行代码其实只是一个简单的累加过程。