原文内容

我的 AI 编程实践

最近用 AI 编程做了两件事：一个具体项目，一套工作流。

项目：医院病例质控自动化

原始材料是医院的一套质控规则（百余条，自然语言描述）和大量历史命中数据。目标是把它跑成可自动判定的流水线。

最大的难点是规则风格不统一——有的是硬性时限，有的需要医学语义判断，有的太宽泛根本没法自动化。一锅丢给 LLM 又贵又不准，全靠程序又判不了语义。

做法是先把规则统一翻译成结构化 Schema，再按性质分流：硬性检查走代码、语义判断走模型、两者结合的走混合。完整 pipeline（抽取→匹配→评估）几乎全部由 AI agent 落地，我负责给规格、读评估报告、决定下一版往哪改。从 v1 迭代到 v5，每版都有指标对照，可以拿去和医务复盘。

整个过程我最大的收获不是“AI 写了多少代码”，而是版本迭代的节奏被打开了——以前一版要做一周，现在两三天一版，且每版的变化是可量化的。

工作流：让多个 Agent 互相接力

单个 agent 都有短板：有的擅长规划、有的擅长实现。我搭了一个基于文件的协作约定 .handoff——一个 agent 把“当前要做什么、上下文、约束、已知坑”写进一个 markdown 文件，另一个 agent 读这个文件接着干。

本质上就一句话：让擅长想的去想，擅长写的去写，我只在关键节点拍板。

上面的病例质控项目就是这套工作流跑出来的，单线程根本不可能这个节奏。

几点体会

• 想清楚要做什么，比让代码跑起来更难。AI 把执行成本压到很低之后，“问题定义”反而变成最稀缺的环节。
• 机器输出用机器读。迭代越快越要让 AI 帮自己看 diff、对账、汇总报告，靠肉眼根本跟不上节奏。
• Agent 是队友不是工具。当队友带，给它规格、留它空间、关键节点 review，比把它当搜索引擎用收益高一个量级。