核心定位
Auto-Coding v3.7.11 是一套结构化 AI 代码生成工作流系统，本质是用工程纪律替代 AI 的"即兴创作"——通过 8 阶段子代理架构（设计→分解→编码→测试→反思→优化→验证→输出）强制实现"先设计后编码、测试驱动、自我审查、迭代交付"的规范流程。
显著优点
1. 对抗性质量保障
- Reviewer Worker 拥有否决权，🔴 阻塞项（安全漏洞、过度设计）强制触发重写
- Risk Scorecard 五元组量化检测（完整性/一致性/安全性/简洁性/流程纪律），AST 安全表达式引擎零 eval 调用
- 最多 3 次迭代 + 自动复杂度升级机制（A→B→C），防止低质量代码流出
2. 成本与效率优化
- Pro→Flash 双层路由：设计/审查用 Pro（推理），编码/测试用 Flash（执行），预估节省 ~50% 成本
- Task Profiler 动态窗口校准，基于历史实际耗时调整预估
- 复杂度自动分级（Micro/Feature/System），A 级任务可跳过设计阶段
3. 工程化健壮性
- 12 个独立技能文件按阶段精确注入（每阶段 ≤2 个），避免上下文溢出
- 断点续传：state.json + workflow.yaml + 阶段日志完整持久化
- 多级降级策略：技能缺失→跳过、模型不可用→同层/跨层降级、超时→重试 2 次
4. Karpathy 铁律约束
- 极简主义（"200 行能否缩到 50 行"自检）
- 手术刀修改（不顺手重构）
- TDD 红-绿-重构循环强制
潜在局限与风险
| 风险点 | 说明 |
|--------|------|
| **架构复杂度** | 12 技能文件 + 8 阶段 + 子代理调度，本地部署需维护 `.auto-coding/` 状态目录，上手门槛高于单 Prompt 方案 |
| **模型依赖** | Pro/Flash 分层路由依赖特定模型可用性，降级路径虽存在但可能牺牲质量或成本优势 |
| **Reviewer 主观性** | 🔴/🟡/💭 分级标准依赖 Prompt 工程，不同模型版本可能判定不一致 |
| **调试子流程瓶颈** | 6 阶段系统化调试（反馈→复现→假设→插桩→修复→清理）在复杂 Bug 场景下可能过度系统化，延长交付时间 |
| **"自动推进"的双刃剑** | 仅在需求不明确/多方案/安全审批时暂停，高风险修改若未触发阈值可能自动执行 |
适用人群
- AI 原生开发团队：已接受 AI 辅助编程，需规模化、可审计的代码生产流程
- 代码质量敏感型项目：金融、医疗、基础设施等需强制审查流程的场景
- 多模型成本优化场景：希望精细控制 Pro/Flash 使用比例以降低 API 支出
- CI/CD 集成需求者：结构化输出（state.json、阶段日志）便于接入现有 DevOps 工具链
常规风险提示
- 安全审批盲区：Scorecard 依赖预定义信号规则，新型漏洞模式可能漏检
- 状态污染：
.auto-coding/目录若未纳入版本控制，团队协作时可能产生分支冲突 - 冷却窗口误伤：24h 内同类失败第 3 次静默，可能掩盖系统性问题
- Karpathy 铁律的适用范围：极简原则在遗留系统维护场景可能与"遵循现有风格"产生张力