Guides

📌 【Simon Willison】Guides：使用 Claude Code 與 OpenAI Codex 的實務模式

你以為 AI 寫程式只要一句指令就搞定？其實好的結果來自於一套可重複的模式。

🤔 隨著 coding agent 成為日常工具，如何讓它們真正提升程式品質
Claude Code、OpenAI Codex 等工具讓編寫程式碼的門檻大幅降低，但團隊普遍面臨的問題是：AI 能快速產出大量代碼，卻難以保證那些程式是正確、可維護且符合專案標準的。此時，缺少一套可操作的最佳實踐，就容易陷入「只管產出、不檢查」的狀態。

🧪 Simon Willison 撰寫的 16 章節實用指南
這份名為 Guides 的文件收錄了作者在使用 coding agent 時總結出的模式，章節包括：

• What is agentic engineering?
• Writing code is cheap now
• Hoard things you know how to do
• AI should help us produce better code
• Anti‑patterns: things to avoid
• How coding agents work
• Using Git with coding agents
• Subagents
• Red/green TDD
• First run the tests
• Agentic manual testing
• Linear walkthroughs
• Interactive explanations
• GIF optimization tool using WebAssembly and Gifsicle
• Adding a new content type to my blog‑to‑newsletter tool
• Prompts I use

🔑 核心模式：讓 AI 幫忙的同時保持人類驗證
指南中反覆強調幾個可直接套用的做法：

1. 先跑測試再讓 Agent 修改（First run the tests） – 確保任何 AI 產出的變更不會破壞現有功能。
2. 使用子代理分解任務（Subagents） – 讓不同的 Agent 專注於特定子問題，降低單一模型的負荷與錯誤累積。
3. 互動解說與線性走through（Interactive explanations, Linear walkthroughs） – 透過逐步說明讓開發者驗證自己是否真正理解 AI 產出的邏輯。
4. 避免常見反模式（Anti‑patterns） – 如過度依賴 AI 而不檢查輸出、直接把 AI 產出的程式碼合併到主分支等。

💡 為何這些模式有效？
它們的共通點是在 AI 的「快速產出」與人類的「驗證、理解」之間建立明確的檢查點。透過先測試、後修改、再測試的循環，以及把複雜任務拆解給多個子代理處理，團隊可以在獲得效率提升的同時，減少因 AI 誤導而導致的缺陷，並保持對程式的認知掌控。

⚠️ 說明：這是經驗總結而非嚴格實證研究
Guides 是 Simon Willison 基於個人實踐整理的最佳實踐清單，未提供對照實驗、統計顯著性或量化效益數據。因此，具體適用效果仍需依照各團隊的工具版本、工作流程與專案需求進行調整。

🎯 如何在你的團隊中嘗試這些模式

• 在開發新功能前，先寫好單元測試或端到端測試，讓 Agent 在測試綠光的前提下提出程式碼變更。
• 利用子代理或多輪 Prompt 讓不同的 Agent 負責撰寫核心邏輯、撰寫測試、進行樣式檢查等。
• 每次 AI 產出程式碼後，透過互動解說或線性走through讓團隊成員說明該段程式的目的與運作方式，以確認理解深度。
• 定期回顧指南中的「Anti‑patterns」檢查表，避免落入過度依賴 AI 的陷阱。

🔗 論文／指南連結
📄 Guides – Simon Willison
👤 作者：Simon Willison
🔗 https://simonwillison.net/guides/

你目前在使用 coding agent 時，有哪些模式讓你感到最有幫助？歡迎在留言區分享你的經驗 👇

#AI #CodingAgent #ClaudeCode #OpenAICodex #SimonWillison #軟體工程 #最佳實踐 #GenAI