Claude Code子Agent实战指南：Django创始人的AI编程方法论

Simon Willison，Django框架的联合创始人，最近系统性地总结了他使用AI编程工具一年多的实战经验，写成了一份《Agentic Engineering Patterns》指南。

这并非简单的入门教程，而是一套关于如何高效指挥Claude Code、Codex这类AI编程智能体进行开发的深度方法论。理解并运用这些模式，或许能让你手中的工具效能翻倍。

什么是 Agentic Engineering？

Simon给出的定义是：使用AI编程智能体来开发软件的实践。

这里的关键词是“智能体(Agent)”，而非“副驾驶(Copilot)”。两者的核心区别在于自主性：Copilot是你写一行它补一行，而Agent是你给定一个目标，它会自主规划、编写代码、执行验证，并循环此过程直到任务完成。

Simon的原话一针见血：

“Agent在循环中运行工具来达成目标。”

Claude Code、Codex、Gemini CLI都属于这类Agent。它们的核心能力不仅仅是“生成代码”，更在于执行代码。能执行，才能验证；能验证，才能迭代。

那么，在智能体时代，程序员的价值何在？Simon的观点很直接：写代码从来不是软件工程师的核心工作，想清楚该写什么代码才是。 任何一个软件问题都有数十种解法，我们的价值在于导航这些选项，为当前场景找到最合适的路径。

这不是Vibe Coding吗？

Simon专门澄清了这一点。Vibe Coding是Karpathy在2025年提出的概念，核心是“让AI写代码，你忘记代码的存在就好”。

Simon的态度是：Vibe Coding可以用于快速原型验证，但不能用于生产开发。 Agentic Engineering与Vibe Coding的本质区别在于，前者要求你审查结果、验证质量，并将代码提升到可生产级别。简而言之，一个是让AI自由发挥，一个是让AI在规则框架内高效工作。

AI编程智能体的底层构成

很多人天天使用Claude Code，却不清楚其底层工作原理。Simon的拆解非常清晰：

一个AI编程智能体 = LLM（大语言模型） + 系统提示词 + 工具集 + 执行循环。

1. LLM — 核心大脑，本质上是一个强大的文本续写器。
2. 系统提示词 — 长达数百行的隐藏指令，告诉LLM如何扮演代码助手的角色（例如，Codex的系统提示词已在GitHub开源）。
3. 工具 — 十几个可调用的外部函数，例如执行Bash命令、读写文件、运行代码、进行网络搜索等。
4. 循环 — 智能体运作的核心流程：LLM思考后调用工具 → 获取工具执行结果 → 基于结果继续推理 → 再次调用工具 → 如此循环直至任务完成。

此外，还有两个容易被忽略但至关重要的技术细节：

• LLM是无状态的：每次调用都是一次全新的开始。你所感受到的“对话连续性”，实际上是软件将整个对话历史作为上下文重新输入给模型。因此，对话轮次越多，成本越高，且模型处理长上下文的能力会下降，这就凸显了上下文管理的重要性。
• Token缓存能节省成本：大多数服务提供商对重复出现的“前缀Token”收费更低。Claude Code的设计会刻意避免修改历史对话内容——这并非偷懒，而是为了保持缓存命中率，从而为用户省钱。

子Agent：Claude Code最被低估的能力

什么是子Agent？

子Agent是主Agent派出去执行特定子任务的“分身”。每个子Agent拥有独立的上下文窗口，完成任务后将精炼的结果返回给主Agent。

为何需要子Agent？因为上下文是最昂贵且有限的资源。尽管LLM的上下文窗口可能高达100万Token，但实践中超过20万Token后输出质量就会显著下降。子Agent机制允许消耗独立的上下文来处理信息密集的子任务，从而保持主Agent上下文的精简与高效。

实战案例：Claude Code如何使用子Agent

Simon分享了一个真实场景：他让Claude Code修改其博客的diff展示功能，增加字符级高亮。

Claude Code的第一步并非直接动手编码，而是派发了一个探索型(Explore)子Agent去摸底。它自动生成了如下Prompt给子Agent：

找到这个Django博客中实现diff视图的代码。我需要找到：
- 渲染diff的模板（找带红/绿背景的HTML/CSS）
- 生成diff的Python代码（找difflib的用法）
- 跟diff渲染相关的JavaScript
- diff视图的CSS样式

彻底搜索templates/、static/、blog/目录。
关键词搜 “diff”、“chapter”、“revision”、“history”、“compare”。

子Agent运行几秒后，将相关文件路径、代码位置、关键函数全部整理成结构化摘要返回。主Agent在获得这份“地图”后，才精准地开始修改代码。

Simon对此评价道：模型为自己编写的Prompt质量相当不错。 它深知如何高效地指导另一个智能体。

三种子Agent的实战用法

1. 探索型子Agent：如上例所示。当主Agent需要理解一个陌生代码库或查找分散的信息时，派一个子Agent去探索并返回摘要，避免主上下文被无关细节污染。
2. 并行子Agent：当需要修改多个互不依赖的文件时，可以指令Agent派发多个子Agent并行工作，从而大幅提升任务速度。可以尝试这样的Prompt：用子Agent并行找到并更新所有受这个改动影响的模板文件。
3. 专业子Agent：为子Agent分配特定“角色”，发挥其专项优势：
   • 代码评审Agent — 专门审查代码，寻找潜在Bug和设计缺陷。
   • 测试运行Agent — 专门执行测试套件，并将冗长的测试输出过滤、摘要后返回（极为实用）。
   • 调试Agent — 专注于定位Bug的根本原因。

Simon也提醒了一点：切勿过度设计。 子Agent的核心价值是优化上下文使用，而非构建复杂的微服务式智能体编排系统。保持简单直接。

Red/Green TDD：AI编程的质量守护神

Simon提到，他在Claude Code中使用频率最高的一句指令是：

Use red/green TDD

仅仅六个单词，所有主流模型都能理解其完整含义：

1. Red（红） — 先编写测试用例，并确认测试运行失败（红色）。这验证了测试本身是有效的，而非一个永远通过的“空测试”。
2. Green（绿） — 再编写最小化的实现代码，让测试通过（绿色）。

为什么测试驱动开发(TDD)与AI编程如此契合？因为它完美解决了AI辅助开发中的两个高频痛点：

• AI写出了无法运行或不符合预期的代码。
• AI实现了一堆偏离实际需求的功能。

TDD通过测试先行，明确定义了“何为正确”。AI可以依据这个清晰的标准进行迭代，从而产出更可靠的结果。切记，“红”阶段不可省略，否则你可能写了一个毫无约束力的测试，失去了TDD的核心价值。

实用Prompt策略清单

Simon在指南末尾分享了一些日常使用的Prompt策略，颇具启发性：

• 限制技术选型：在前端原型开发中，他会在Claude项目的自定义指令中明确禁止使用React，因为React需要构建步骤，而他的目标是生成可直接复制粘贴到静态托管的代码。
• 划定AI协作边界：在文章写作中，他允许AI协助校对拼写和语法，但所有包含第一人称“我”的观点性、叙述性文字必须亲自撰写。这条原则确保了内容的个人色彩与真实性。
• 善用模型特长：他发现Claude Opus在编写图片Alt文本上“品味独到”，能自动识别图表中最值得在描述中强调的关键数据。

总结

这份指南最大的价值，并非在于传授某个特定工具的操作技巧，而在于提供了一套与AI智能体协同工作的思维框架。

许多人使用Claude Code仍停留在“帮我写个函数”的初级阶段。通过学习子Agent的并行探索、TDD驱动的迭代闭环，你会意识到这些工具能承载的协作深度远超想象。关键在于，你能否像一位经验丰富的架构师那样，有效地指挥它们。

Simon有一句话说得极为深刻：LLM本身不会从过去的错误中学习，但基于LLM构建的智能体可以——前提是我们主动更新指令和工具，以反映我们不断积累的经验。

这不正是“授人以渔”吗？工具会快速迭代更新，而正确的方法论才是持久的生产力。如果你对这类Python与AI结合的深度实战内容感兴趣，欢迎在云栈社区继续交流探讨。