Agent Coding 经验分享：如何优化流程，提升效率

在深度体验了 Claude Code、CodeX、OpenCode 等工具后，我积累了一些关于 Agent Coding 的经验。这些经验主要围绕如何优化 Agent Coding 的流程，以提升效率和准确性。以下是我总结的一些关键点：

Context Engineering：过长的上下文会导致模型无法集中注意力，从而产生幻觉，并增加 Token 的消耗。使用 Subagent 隔离上下文，让每个 Subagent 只负责一个小任务，或者将压缩后的信息传回 Primary Agent，例如在爬取文档或运行测试时。
Self Review & Reflection：让 LLM 进行多轮自我审查，以减轻幻觉的影响。需要注意的是，LLM 自己发现的问题也可能是错误的，因此需要再次审查。
Parallel Processing：利用 LLM 的并行执行能力，尽可能并行处理子任务，以提升速度。也可以使用冗余并行，即让多个 LLM 处理同一任务，然后汇总审核结果，以对抗幻觉。
Explore First：让 LLM 先获取所需的信息，再基于这些信息进行决策。例如，让 LLM 爬取文档或从 Context 中获取文档，然后阅读代码库等。可以通过 Subagent 进行初步总结和过滤，以减少上下文的占用。
Workflow Design：使用强制的输入输出格式，基于代码的格式检查、状态机转移来确保 Workflow 的全流程被正确执行。

此外，我推荐一些有用的资料，如 Prompting Guide 和 Claude 的官方文档，这些资源可以帮助你更好地理解和应用 Agent Coding 的技巧。

在使用 LLM 时，我们经常会遇到 LLM 的缺点，如幻觉、错误理解需求、上下文长度有限、指令遵循不精确等。然而，LLM 也有其优点，如生成内容的速度快、相对便宜、可以并行处理任务等。因此，在使用 LLM 时，扬长避短，尽可能克服其短处，发扬其长处，才能让 LLM 发挥最大效用。