AI 代码生成工具虽承诺更快开发，但常产生质量问题、集成问题和交付延迟。文中描述了一个用于人类 - AI 协作的结构化 Plan-Do-Check-Act（PDCA）框架，作者在与代理合作一年多后用了六个月进行了完善。使用该 PDCA 循环，能在利用 AI 能力的同时更好地维护代码质量，通过工作协议、结构化提示和持续反思，作者能对所提交的代码负责并引导 AI 生成经过测试和可维护的软件。

代码生成未实现其潜力
AI 代码生成的快速采用增加了产出，但未定期实现交付和结果的可衡量改进。谷歌的 DORA 2024 年 DevOps 状态报告指出，AI 采用每增加 25%，交付稳定性就会下降 7.2%。质量问题也更令人担忧，GitClear 的 2024 年对 2.11 亿行代码的分析显示，重复代码块增加了 10 倍，克隆代码的缺陷率为 17%，18.42%的 bug 会传播到其他副本。

为何采用结构化 PDCA 循环？
行业未实现生产力提升和质量改进，因为 AI 工具及其使用都需要进化。工程师需要可重复的实践，利用经验引导代理进行测试验证的更改，同时利用现有代码模式。结构化提示比临时方法在方法和任务复杂性方面表现更好。PDCA 通过已证明的软件工程实践提供结构，包括持续改进和迭代交付，是作者 20 年来追求的敏捷实践的基础。一项受控研究发现，PDCA 使软件缺陷减少了 61%。

PDCA 框架概述
这是作者为与编码代理的交互而组装的结构化 PDCA 循环，用于项目管理过程中规划、跟踪和接受工作。包括工作协议和结构化提示，引导人类/AI 协作通过循环的各个步骤，每个步骤都基于先前步骤，并且行动步骤（反思）强制进行持续改进。该框架适用于 1 到 3 小时的编码任务，也可用于将较大的工作范围分解为该大小的单元。

工作协议：人类在 AI 协作中的责任
工作协议是帮助团队提高一致性和维持代码质量的成熟实践，作者将其改编用于人类 - AI 协作，以结构化协议来确定人类在交互中的责任，包括原则和干预问题，以确保代码质量。

计划
计划由高级分析和详细规划组成。

• 高级分析：解决业务问题：前期分析确保在开始代码生成前明确业务问题和技术方法，通过迭代循环扩展分析提示，以强制进行项目范围的代码搜索。
• 详细规划：创建可观察和可测试的增量：在确定方法后，详细规划提示要求代理准备初始执行计划，将工作分解为可测试的清单项目，遵循 TDD 纪律，限制尝试次数并明确接受标准。

做：测试驱动的实施与人类监督
实施提示强制 TDD 纪律，允许相关功能分组为并行更改并同时进行测试验证，减少推理成本，提高人类监督和代码质量。

检查：完成分析
完成分析要求代理审查聊天会话记录和生成的代码，以确认更改是否达到预期输出，并标记与原始计划和实施指南的偏差，提供明确的完成定义和数据用于反思。

行动：反思以持续改进
反思步骤分析会话，突出协作模式，识别成功的人类干预，并提出改进提示和开发者使用工具的建议，通过回顾性提示收集评估数据。

衡量成功
持续改进需要独立的质量措施，作者使用 GitHub 的 API 创建早期预警系统，通过 git 动作测量五个质量代理，并提供了部分输出示例。对于企业，有商业解决方案可供选择。

实验结果
通过在 Cursor 中使用 Anthropic 模型实施相同故事，比较 PDCA 与非结构化方法。结果显示在前期规划成本和故障排除效率之间存在权衡，PDCA 方法产生的生产代码更少、测试覆盖率更全面、提交更原子化，定性上提供了更好的开发者体验，但结果基于单个实验。

有待进一步发展的领域
作者的协议、提示模板和成功指标仍在发展中，包括匹配流程形式ality 与任务复杂性，以及包括模型选择策略，以优化执行成本。

结论
AI 代码生成因质量退化和集成挑战未实现其生产力潜力，PDCA 框架通过将结构应用于人类 - AI 协作来弥补这一差距，提供了五个关键实践，实验结果表明存在核心权衡，PDCA 需更多前期规划投资以减少故障排除和维护，组织采用 AI 代码生成需要可扩展且适应不同上下文的系统实践。

AI 披露
作者使用生成式 AI 工具（Claude）作为支持工具，同时保持人类专业知识作为内容的驱动者，对所有内容负责并严格验证 AI 生成的建议。