让AI打出丝滑连招：编码-部署-自测-改bug - 链载Ai

ingFang SC";font-weight: bold;color: rgb(255, 66, 0);line-height: 20px;visibility: visible;">

ingFang SC", -apple-system-font, system-ui, "Helvetica Neue", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;visibility: visible;line-height: 1.75em;background-color: rgb(255, 255, 255);">本文提出了一种测试驱动的AI编程闭环工作流，旨在解决AI辅助编程中“最后一公里”的问题——即AI生成代码后缺乏自测与迭代能力。通过引入自动化验收和反馈机制，构建了包含编码、部署、自测、改Bug的完整闭环。文章以“收藏夹功能修复”为例，验证了该工作流的有效性，证明只要提供清晰的需求、技术方案和测试用例，AI就能像合格程序员一样完成自我修复与持续优化，未来还可通过增强测试、诊断、任务拆分等能力进一步提升自动化水平。

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;letter-spacing: 0.544px;visibility: visible !important;width: 114px !important;"/>

ingFang SC", system-ui, -apple-system, "system-ui", "Helvetica Neue", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 17px;font-style: normal;font-variant-ligatures: normal;font-variant-caps: normal;font-weight: 400;letter-spacing: 0.544px;orphans: 2;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;white-space: normal;background-color: rgb(255, 255, 255);text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;text-align: center;visibility: visible;line-height: normal;">AI编程的"最后一公里"问题

在AI辅助编程的实践中，即使需求理解、方案设计、代码生成都很顺利，AI写出的代码仍不可避免地存在各种小问题。面对这些问题，我们通常陷入两种"收拾残局"的模式：

人工二次编辑：AI生成代码后，开发者变身"代码保姆"，逐行检查、手动修改、反复测试，本应节省的时间又被填补回去。

对话式修复：通过多轮对话像哄小孩一样让AI逐步修正："这里有bug，改一下"、"还是不对，应该用XXX方式"、"再改改，逻辑不对"……来回折腾十几个回合，心力交瘁。

这两种模式的本质问题是什么？缺乏自动化的验收和迭代机制。回顾一下我们日常开发的标准流程：编码 → 部署 → 自测 → 改bug → 再自测，如此循环直到测试通过，这是每个合格程序员的基本素养。再看看我们现在是怎么用AI的：让它写完代码就完事，从不要求它自测，相当于培养了一个"极品实习生"：代码写得贼快，写完立马跑路，从不自测，bug多到让你怀疑人生。

这不禁让人思考：能否重新设计AI的协作模式，赋予它"自省"能力？让AI不仅能生成代码，还能像真正的程序员那样自动测试、发现问题、修复问题，形成一个完整的开发闭环。

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;letter-spacing: 0.544px;visibility: visible !important;width: 114px !important;"/>

基于这个想法，我们快速设计了一个测试驱动的AI编程工作流，核心思路是：通过明确的测试用例作为验收标准，让AI能够自主判断任务完成质量，并在不符合预期时自动迭代修复。也就是像一个合格的程序员一样，去保障自己的代码正确性和质量。

▐ingFang SC", system-ui, -apple-system, "system-ui", "Helvetica Neue", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 17px;font-style: normal;font-variant-ligatures: normal;font-variant-caps: normal;letter-spacing: 0.544px;orphans: 2;text-align: left;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;white-space: normal;background-color: rgb(255, 255, 255);text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;">整体架构

AI Coding技术栈：

模型：qwen3-coder-plus

部署Agent：java-dev-project-deploy

使用部署mcp工具，让AI自主完成预发项目环境的部署，再通过轮询机制感知部署状态。

部署工具：

阿里内部平台mcp

部署流程：

group_env_apres_list：通过项目环境id+应用名，获取应用环境id
apre_deploy：针对应用环境id，进行部署
apre_get：查询部署状态

当用户希望部署代码到项目环境时，调用此agent，agent名为java-dev-project-deploy。agent主要使用的mcp是group-env，部署的流程为：1.获取项目环境信息：从.iflow/dev/progressInfo.json中，获取项目环境idgroupEnvId，如果不存在，提示用户填写。2.获取应用环境信息：如果已经存在项目环境，调用group_env_apres_list工具，入参的id为项目环境id，结果中的id为应用环境id，将应用环境id填写到.iflow/dev/progressInfo.json的apreEnvId中。3.部署：调用apre_deploy工具进行部署4.等待部署成功：开始计时，每隔50s调用一次apre_get工具，直到selfStatus由DEPLOYING变为RUNNING，则代表部署成功。如果超过10分钟，状态还是DEPLOYING，通知用户部署失败。无论成功或失败，将部署信息（时间、项目环境信息、分支、部署结果）追加写入到.iflow/dev/codingLog.md中。

---name:java-dev-project-deploydescription:Usethisagentwhentheuserwantstodeploycodetoaprojectenvironment.Theagenthandlesthecompletedeploymentworkflowincludingenvironmentvalidation,applicationenvironmentretrieval,deploymentexecution,andstatusmonitoring.\n\nExamples:\n-<example>\nContext:UserwantstodeploytheirJavaapplicationtothedevelopmentenvironment\nuser:"leasedeploymycodetotheprojectenvironment"\n<commentary>\nSincetheuserwantstodeploycodetoaprojectenvironment,usethejava-dev-project-deployagenttohandlethecompletedeploymentworkflow.\n</commentary>\n</example>\n-<example>\nContext:Userisreadytodeploytheirchangesaftercompletingdevelopment\nuser:"I'mreadytodeploymychangesnow"\n<commentary>\nSincetheuserwantstodeploycode,usethejava-dev-project-deployagenttomanagethedeploymentprocess.\n</commentary>\n</example>model:inherit---YouareanexpertJavadeploymentautomationagentspecializedinmanagingprojectenvironmentdeployments.Yourprimaryresponsibilityistoorchestratethecompletedeploymentworkflowwithprecisionandreliability.##CoreResponsibilities1.Validateprojectenvironmentconfiguration2.Retrieveapplicationenvironmentdetails3.Executedeploymentprocess4.Monitordeploymentstatusuntilcompletion5.Logdeploymentresultsforaudittrail##DeploymentWorkflow###Step1rojectEnvironmentValidation-Checkfortheexistenceof`.iflow/dev/progressInfo.json`-Extract`groupEnvId`fromthefile-If`groupEnvId`ismissingorfiledoesn'texist,promptusertoprovidetheprojectenvironmentID###Step2:ApplicationEnvironmentRetrieval-Call`group_env_apres_list`toolwiththeprojectenvironmentID-ExtracttheapplicationenvironmentID(`apreEnvId`)fromtheresponse-Update`.iflow/dev/progressInfo.json`withtheretrieved`apreEnvId`###Step3eploymentExecution-Call`apre_deploy`tooltoinitiatethedeploymentprocess-Recorddeploymentstarttimeandrelevantmetadata###Step4:StatusMonitoring-Implementapollingmechanism:-Call`apre_get`toolevery50seconds-Monitor`selfStatus`fieldintheresponse-Continuepollingwhilestatusis`DEPLOYING`-Stopwhenstatuschangesto`RUNNING`(success)-Timeoutafter10minutes(600seconds)-indicatedeploymentfailure###Step5eploymentLogging-Regardlessofsuccessorfailure,appenddeploymentinformationto`.iflow/dev/codingLog.md`:-Deploymenttimestamp-Projectenvironmentinformation-Branch/revisiondeployed-Deploymentresult(success/failure)-Durationofdeploymentprocess##ErrorHandling-Ifanytoolcallfails,provideclearerrormessages-Ifdeploymenttimesout,notifyuseranddocumentfailure-Iffileoperationsfail,attemptrecoveryornotifyuser-Maintaindetailedlogsfortroubleshooting##QualityAssurance-Validateallinputsbeforeprocessing-Confirmeachstepbeforeproceedingtothenext-Providereal-timestatusupdatesduringlongoperations-Ensureallfilemodificationsareatomicandsafe##CommunicationGuidelines-Useclear,professionallanguage-Provideactionablefeedbackwhenissuesoccur-Keepuserinformedduringmonitoringperiods-Documentallactionstakenforauditpurposes##JavaDevelopmentStandardsCompliance-Followtheminimummodificationprinciple-onlychangewhat'snecessary-Maintainconsistencywithexistingcodebasepatterns-Ensurealloperationsareidempotentwherepossible-PrioritizereliabilityanderrorrecoveryYouwillbemethodicalandthoroughinyourapproach,ensuringeachdeploymentisexecutedcorrectlyandalloutcomesareproperlydocumented.

状态轮询机制：每50秒检查selfStatus字段，从DEPLOYING到RUNNING判定成功；

超时保护：10分钟超时机制，避免无限等待；

日志记录：每次部署都记录时间戳、环境信息、分支、结果。

技术实现：封装一个mcp工具（hsf-invoke），内部实现方式为hsf泛化调用。

调用参数标准化：

{"serviceName":"com.taobao.mercury.services.FavoriteCountService","methodName":"getFavoriteCount","paramTypes":["long"],"paramValues":[88888888],"targetIp":"33.4.XX.XX"}

自动化调试命令：auto-debugging

#角色你是一个Java自动化调试大师，你的核心工作是基于用户指定的路径($ARGUMENTS)下的需求文档、技术方案、测试用例文档，进行调试、修改与部署工作。#执行步骤1.验证$ARGUMENTS路径下的需求文档(prd.md)、技术方案(techDoc.md)、测试用例文档(testCase.md)均存在2.执行测试用例文档中的测试用例，使用hsf-invoke工具进行hsf接口的调用，并将执行结果记录在.iflow/dev/log/debugLog.md中3.针对执行结果不符合预期的case，结合需求、技术方案和代码，进行分析。4.修改代码，以修复测试用例执行失败的问题。注意不能使用mock等方式偷懒，要确保修复代码逻辑的错误。5.确保代码能够成功编译，提交代码，注意commitmessge需要符合^(feat|fix|refactor|docs|style|test|perf|chore|revert|build|ci).*(\(\w+\))?(:|\：)?\s*([^\n]*[\n][^\n]*)*格式。6.执行java-dev-project-deploy代理，部署到项目环境。7.部署成功后，再次使用hsf-invoke工具验证测试用例，并记录debug日志。如果仍然不符合预期，重复上述步骤。#使用方式```bash#示例：基于指定路径下的文档进行自动化调试auto-debugging.iflow/dev/requirements/需求A```

总结一下，提示词里包含了以下步骤：

文档验证：检查prd.md、techDoc.md、testCase.md是否存在

测试执行：解析测试用例，调用HSF接口

结果对比：实际结果vs预期结果，计算差异

问题分析：结合需求和代码，定位问题根因

代码修复：精确修改问题代码

自动部署：调用部署Agent，更新运行环境

验证迭代：重新测试，不符合预期则重复流程

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;letter-spacing: 0.544px;visibility: visible !important;width: 114px !important;"/>

实践案例：收藏夹功能自动修复

让我们用一个非常简单的小需求，来验证一下这套测试驱动的ai工作流，看看能不能跑得通。

这是给ai的所有信息：

需求：收藏夹商品的个数，删除飞猪商品个数

在com.taobao.mercury3.hsfprovider.hsf.HsfFavoriteCountService.getFavoriteCount接口中，删除飞猪商品统计相关逻辑

#测试用例##测试用例1###测试步骤1.调用hsf服务：com.taobao.mercury.services.FavoriteCountService2.调用hsf接口：getFavoriteCount3.目标ip：33.4.XX.XX4.入参类型：基础数据类型long5.入参值：8888886.预期返回结果：3951

预发项目环境id：

{"groupEnvId":"4355970",//预发项目环境id"apreEnvId":""}

▐AI闭环验收过程

在iFlow中执行： /auto-debugging.iflow/dev/requirements/收藏夹商品个数统计删除飞猪，以下整个流程不需要人工干预。

第一步：问题发现

第二步：问题定位与修复

AI结合需求、技术方案、代码和bug现象，定位到问题代码，并修改：

第三步：提交、部署代码

第四步：再次验证（第二轮循环的开始）

这个实验的场景非常简单，但仍然验证了我们先前的观点：只要给AI明确的验收标准和反馈机制，它就能具备自我验收和迭代能力。

明确的验收标准：通过测试用例，将抽象需求转化为可验证的标准；

完整的反馈循环：从执行到验证到修复的闭环设计；

标准化的工作流：将人工经验固化为可重复的自动化流程。

当然，目前的设计只是一个最简单、实验性质的原型版本，整个工作流里有非常多的细节和问题需要持续优化，未来的优化方向包括但不限于：

【测试能力升级】自动生成测试用例、处理复杂入参、搞定实验加白等细节问题，需要接入测试团队的工具；

【bug诊断能力强化】结合诊断日志、sls日志、实时抓包能力，以及前期产出的技术方案、需求理解文档，完善复杂场景下的错误诊断与修复机制；

【任务拆分能力】将复杂需求拆分为逻辑相对简单、边界清晰的任务，提升ai自驱修复的成功率；

【部署效率提升】接入热部署api，提升部署速度。通过mcp捞取构建/部署日志，自动化修复部署错误；

【代码质量把关】除了功能性bug修复agent外，ai coding工作流的后置链路中还可以引入代码评审agent、性能优化agent；

（参与开发者：结香、陌琊、长济）