---
一、ABCD四类整理现有项目行为
让AI从现有代码中反推项目行为，生成待人工Review的草稿，而不是直接生成正式Spec。推荐用以下ABCD四类整理现有项目行为（用符号标号方便人工打标）：
· A类：已经实现，确认要保留的
· B类：已经实现，但不确定是否合理，需要人工判断取舍
· C类：已经实现，但可能是临时代码、偶然产物或废弃逻辑，要清理出spec（代码可以保留），避免AI学坏
· D类：还没实现，未来想新增或重构的增量需求
这样让AI负责发现事实，人负责确认意图。
---
二、两个评估指标
很推荐大家开发过程中使用两个指标：
· Pass@k（k次至少一次正确）：适合开发阶段探索这个需求Agent能不能做到
· Pass^k（k次全部正确）：适合上线前回归测试已有功能有没有被改坏
从零构建AgenticTest成本并不高，通过这种自动化测试，可以降低开发者Review AI Coding项目压力。
---
三、把能自动化的事真正交给AI
以下实现路径分三步：
第一步：先尝试跑通：让AI在脱离人参与的情况下做整件事，看结果咋样。重点是无脑验证可行性。
第二步：再总结SOP：如果结果能稳定复现（比如每次跑都一样好），就让Agent自己回顾成功案例，把操作步骤归纳成SOP。本质是在管理不确定性。
第三步：思考能否泛化：把总结出的流程拿去处理同类但不同的任务，如果也能成功，说明这套方法真有效，之后可以让Agent在脱离自己的情况下处理。
这其实就是一种自动化思维：每天问自己，今天有没有做重复性的事情？能不能用AI来自动化？
脑子里可能只有一个模糊的想法，甚至无法用自然语言描述的闪念——没关系。记录下来，迅速和AI聊聊。
现在这个时代，缺的是想法而不是实现。
这种从自己的经历中，提炼想法，并迅速实现的能力——个人认为，这是我们在Agent时代很重要锻炼的。
---
四、关于E2E测试的提醒
我认为E2E任务最重要，因为AI写静态代码能力很强了，基本不会出错，但是无法写出正确的动态交互代码。比如它几乎不会考虑，"点击题单，必须成功加载出对应的题目"这种端到端的业务逻辑。
---