Auto-Coding v3.7-discipline 综合评估
核心用法
Auto-Coding 是一套智能自主编码系统，采用"全子代理架构 + 分阶段技能注入"设计，将软件开发流程拆解为8步标准化循环：设计→分解→编码→测试→反思→优化→验证→输出。用户通过触发词（auto-coding、写代码、karpathy 等）启动后，系统根据任务复杂度自动分级（A/B/C三级），选择性地跳过非必要阶段，实现从需求到可交付代码的完整链路。
显著优点
1. 结构化流程管控：8步循环内置 Reviewer 否决权（🔴阻塞项触发重写，最多3次迭代），强制代码质量门禁
2. 复杂度自适应：A级（Micro，<2分钟）、B级（Feature）、C级（System）三级分级，避免过度设计
3. Risk Scorecard 量化：五元组风险检测 + 公用信号识别，提升安全性
4. 状态持久化与恢复：.auto-coding/state.json 支持会话中断后断点续传
5. 模型降级机制：deepseek-v4-pro → MiMo v2.5 Pro 的优雅降级，保障可用性
6. Karpathy 铁律内嵌：思考优先、极简主义、手术刀修改、目标导向四大原则
潜在缺点与局限性
- 非真多Agent：本质为"单进程串行 + 多角色Prompt + 多模型切换"，非并行架构，复杂任务耗时较长（C级5-15分钟）
- 环境依赖重：需配套12个技能文件（
grill-with-docs、tdd、code-review等），技能注入失败虽"不阻塞"但可能降质 - 调试子流程复杂：6阶段调试循环（反馈→复现→假设→插桩→修复→清理）增加认知负担
- 审批策略需配置：敏感操作拦截依赖
.auto-coding/rules.yaml，默认策略可能不足 - 飞书通知外部依赖：可选功能涉及数据外传，需显式开启
适合人群
- 独立开发者/全栈工程师：快速原型开发与模块实现
- 技术团队Tech Lead：标准化团队编码规范，强制代码审查流程
- AI辅助编程进阶用户：已熟悉基础Copilot类工具，需更严格工程纪律的场景
常规风险
| 风险类型 | 等级 | 说明 |
|---------|------|------|
| 数据外泄 | 中 | 模型推理发送代码上下文至本地服务，不含密钥；飞书通知需显式开启 |
| 过度执行 | 中 | 自动推进铁律可能导致非预期文件写入（工作目录内） |
| 质量依赖 | 中 | Reviewer否决权最多3次迭代，复杂问题可能无法收敛 |
| 环境变量污染 | 低 | 8个`AUTO_CODING_MODEL_*`变量需妥善管理 |
结论
Auto-Coding v3.7-discipline 是目前工程纪律最强的开源AI编码框架之一，适合追求"可预期、可审计、可恢复"的严肃开发场景。但其重量化的流程设计与技能文件依赖，对轻量快速任务可能存在过度工程化问题。