核心用法
Auto-Coding v3.7-discipline 是一套结构化、可量化的智能编码工作流系统。用户通过触发词（auto-coding/写代码/开发/coding/karpathy）启动后，系统根据任务复杂度自动分级（A Micro/B Feature/C System），执行对应的8步循环：设计→分解→编码→测试→反思→优化→验证→输出。每阶段由特定子代理执行，主会话仅负责调度与质量把关。
显著优点
架构先进性：全子代理化设计避免单点过载，支持模型降级与故障转移；Reviewer否决权机制（🔴阻塞项触发重写）确保质量底线。
流程纪律性：铁律驱动——自动推进不中断、每步即时输出、最多3次迭代限制，防止无限循环。
技能注入系统：12个专项技能文件（TDD、Code Review、Diagnose等）按阶段精准注入，避免上下文污染。
Karpathy原则内化：思考优先、极简主义、手术刀修改、目标导向四条铁律直接指导编码行为。
安全透明：完整披露数据流向（模型推理、Cron监控、飞书通知），所有环境变量可选且无敏感信息。
潜在缺点与局限性
启动门槛：需理解复杂度分级逻辑才能预判执行路径；首次使用建议阅读 .auto-coding/rules.yaml 配置审批策略。
资源消耗：C级系统任务完整执行7阶段，典型耗时5-15分钟，频繁调用可能触及模型配额上限。
黑箱调试：子代理禁止输出完整内容到对话，问题定位依赖阶段日志（.auto-coding/logs/），增加排查成本。
环境依赖：需 openclaw 运行时支持，纯OpenAI/Anthropic API用户需适配。
适合人群
- 需要结构化代码生成流程的中高级开发者
- 追求代码质量而非快速原型的工程团队
- 熟悉TDD、Code Review等现代开发实践的技术管理者
常规风险
| 风险类型 | 说明 | 缓解措施 |
|---------|------|---------|
| 模型幻觉 | 复杂系统分解时可能产生不切实际的模块边界 | 依赖`decomposition`技能的粒度检查 |
| 过度设计 | 新手使用者易触发C级流程处理简单任务 | 系统内置连续2次阻塞自动升级机制 |
| 状态丢失 | 会话中断可能影响`.auto-coding/state.json`完整性 | 关键节点自动持久化，支持断点续传 |