108、【Agent】【OpenCode】todowrite 工具提示词（示例）（二）

【声明】本博客所有内容均为个人业余时间创作所述技术案例均来自公开开源项目如GithubApache基金会不涉及任何企业机密或未公开技术如有侵权请联系删除背景上篇 blog【Agent】【OpenCode】todowrite 工具提示词示例一分析了 TodoWrite 工具的第一个示例首先 AI 识别到了用户的任务是个需要仔细打磨的系统级功能触发了 TodoWrite 工具然后 AI 把用户的自然语言描述进行结构化拆解翻译成了五步严密的软件工程流水线UI 层造出用户能看到的开关按钮数据层建立全局状态管理CSS 样式层底层样式逻辑集成任务把组件接入新的状态系统测试验收执行测试和构建并处理报错这里的分层体现了 AI 的架构思维普通程序员可能会想改一下颜色就完事但 AI 展现了资深工程师的思维清晰划分了 UI StateStyleIntergration 四个维度确保代码的高内聚低耦合接着分析了 AI 的内部推理reasoning其列计划基于了技术架构分析显式指令提取隐式意图推断三大维度下面继续分析OpenCode下面看第二个示例用户提了个重命名的需求先搜索后决策面对全局重命名这种高危操作AI 没有直接就开始盲改而是选择了先搜索后决策首先调用搜索工具摸清了所有待修改点的位置找到了 8 个文件中的 15 处引用体现了其严谨的工程纪律在不知道影响范围的情况下不能启动复杂任务流程动态触发与任务细化AI 是在执行过程中动态决定是否使用 TodoList 的如果只搜出一个文件可能就直接改了但现在发现涉及到了 8 个文件15 处修改任务的复杂度瞬间飙升此时 AI 通过创建清单将任务细化到每一个需要更新的文件这一维度这也是之前提示词中的规则当面临多步复杂且高风险的任务时须用结构化清单来接管下面是 AI 的reasoning内部推理过程评估任务边界这是所有工程操作的基石AI 明确指出其第一步动作是为了理解任务的范围在大型项目中一个函数名可能被用作变量名字符串甚至是注释如果不先做全量搜索就动手就很容易造成误改或漏改这里说明 AI 具备全局意识复杂度阈值触发这里展示了 AI 的动态判断能力AI 没有一上来就直接套用 TodoList而是在拿到搜索结果后才得出这是个包含多个步骤的复杂任务的结论说明其行为模式是根据实际数据驱动的而不是机械地走流程系统化追踪机制通过 TodoListAI 建立了一个系统化的追踪机制把重构工作变成了可以逐项打勾✅的流水线一致性保障重构最怕的就是只改了一半导致程序编译报错或运行时因找不到函数而崩溃这里清单可以确保 100% 覆盖率防止漏改接着看第三个示例用户想要开发新功能精准命中触发条件用户这里直接用逗号提出了四个庞大的电商核心模块用户注册产品目录购物车结账流程这里 AI 直接马上触发了 TodoList另外注意这里的细节【Break down】分解说明 AI 不是简单把四个词放进清单里而是在建立清单时就预判了数据库后端 API 和前端页面的交互等此时这些简单的概念已经转换成了底层可执行的工程任务单线程纪律这里践行了之前 blog 强调的串行执行规则面对四大功能AI 没有试图多线程并发而是先锁定了第一个目标【用户注册】并且在真正写代码之前AI 提前预告了这个任务的边界涉及到数据模型Models接口Endpoints和表单Forms并且特别强调了要适配集成到现有的认证系统中说明了 AI 不是在孤立地造轮子而是在做系统级的集成开发OK本篇先到这里如有疑问欢迎评论区留言讨论祝各位功力大涨技术更上一层楼更多内容见下篇 blog