核心用法
Auto-Coding v3.7.10 是一套工程化AI代码生成工作流，通过结构化流程替代传统AI的"写完就忘"问题。用户通过触发词 /auto-coding、auto-coding、自动编码 或 自主编码 启动系统，输入需求后，系统自动执行8步循环：设计→分解→编码→测试→反思→优化→验证→输出。
系统采用全子代理架构，每个阶段运行独立Agent，主会话仅做协调。编码阶段遵循TDD红-绿-重构循环，反思阶段由独立Reviewer Worker执行代码审查并拥有否决权（🔴阻塞项强制重写）。
显著优点
1. 成本优化显著：Pro→Flash双层路由将推理/设计/审查等"大脑"任务交给Pro模型，编码/测试/验证等"执行"任务交给Flash，成本节省约50%
2. 质量管控严格：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，自动拦截"跳过测试""引入不必要文件"等反模式
3. 复杂度自适应：ABC三级自动分级，Micro任务(<2分钟)跳过完整流程，System级任务(5-15分钟)执行全阶段；连续2次Reviewer阻止自动升级复杂度
4. 容错与恢复完善：技能文件缺失自动降级、模型不可用跨层降级、session中断从state.json断点续传
5. 12个精修技能文件：分阶段注入≤2个技能，避免上下文溢出，涵盖从需求对齐到架构检查的全链路
潜在缺点与局限性
1. 启动门槛高：完整能力需本地Python环境部署，依赖workflow_enhanced模块，对非技术用户不友好
2. Token消耗仍可观：虽较全Pro节省50%，但8步循环+最多3次迭代+独立子Agent会话，复杂任务Token成本仍显著
3. Reviewer误判风险：自动否决机制可能过度保守，导致合法设计被反复打回，人工介入时机不明确
4. 技能文件维护负担：12个独立技能文件需版本同步，缺失时虽降级但质量可能滑坡
5. 中文生态适配未明：文档技术术语密集（Karpathy铁律、TDD等），中文开发者理解成本较高
适合人群
- 技术团队Lead/架构师：需要批量产出符合代码规范的模块，替代初级工程师重复劳动
- 全栈独立开发者：快速原型验证，同时要求代码可维护、可测试
- AI辅助编程研究者：对比单轮Prompt与多Agent工作流的效果差异
常规风险
1. 安全扫描缺失：附随的安全认证报告明确标注"未执行安全扫描"，生产环境使用需自行审计
2. 过度依赖自动化：连续3次迭代失败才标记人工介入，过程中可能产生大量无效代码消耗资源
3. 模型供应商锁定：Pro/Flash分层设计隐含对特定模型API的依赖，迁移需调整路由表
4. YAML配置误操作：审批策略、超时阈值等关键配置在rules.yaml中，错误配置可能导致自动批准未经审查的代码