用AI Agent写Python脚本，总改不对逻辑，是我prompt没写好还是工具本身局限？

这种偏逻辑判断的任务确实容易翻车，我试过让Agent写一个类似的正则替换脚本，也是反复改了几轮才勉强能用。感觉它的“理解需求”和“实际执行”之间还是有断层，尤其涉及边界情况（比如__init__.py这种特殊文件）时，它缺乏程序员那种“下意识规避风险”的直觉。不过你提到的先画流程图再写代码我试过，效果时好时坏，有时候反而把Agent框得太死。要不试试把需求拆成更小的步骤，让它先写出单文件版本，再逐步加上递归和异常处理，这样每步出错范围小，好调试。

这种偏逻辑判断的任务确实容易翻车，我试过类似场景，感觉Agent对“排除特殊情况”这种隐含规则理解很弱，比如__init__.py这种你心里默认要跳过，但它就是会撞上去。我觉得你可以试试把需求拆得更细，比如明确写“递归扫描所有子目录但忽略__init__.py”，或者先让它输出一个伪代码步骤你再确认，这样比直接调prompt更可控。毕竟工具写常规代码还行，但涉及业务逻辑的边界条件还得靠人把关。

Agent对边界条件和异常处理确实容易翻车，建议你先写个最小可跑demo再让它往上面加逻辑。

这类偏逻辑判断的任务确实容易翻车，建议先把边界条件拆成最小步骤喂给Agent。

说实话，你这个场景我太有同感了。我自己试过让Agent写类似的分析脚本，尤其是涉及AST这种偏结构化解析的任务时，它确实容易在边界条件上翻车，比如递归遗漏或者忽略__init__.py这种特殊文件。我觉得这其实不完全是prompt写得细不细的问题，而是Agent对“项目常识”的理解还是太浅——它知道ast怎么用，但很难替你想到“一个真实的Python项目里哪些文件不该动”。你提到先画流程图再写代码，我试过类似的方法，让Agent先输出伪代码逻辑再生成，确实能减少一些低级错误，因为相当于给它加了一道“先想清楚再动手”的校验。另外，我自己的经验是，像“删除未使用的import”这种操作风险比较高，不如让Agent先输出一个“建议删除列表”的JSON，你手动复核一遍，或者让它生成带“dry-run”模式的版本，先跑一遍看看结果。说到底，这类工具现在更适合当个聪明的实习生，关键判断还是得自己把关。

这种任务确实容易翻车，可以试试把边界条件（比如排除__init__.py）单独列成checklist喂给Agent。

说实话，这种情况我太熟了，感觉AI Agent在写这类“边界条件多”的脚本时确实容易翻车，尤其是文件递归和异常文件（比如__init__.py）的处理。我自己的经验是，别指望它一步到位，可以先让它生成一个最简版本，然后你手动补充那些边界判断的逻辑，或者直接在prompt里把“如果遇到__init__.py就跳过”这种规则写成代码片段喂给它，效果会好不少。至于画流程图，我觉得对于这种逻辑明确的脚本可能帮助不大，反而更容易把Agent绕晕。

我觉得这问题挺真实的，Agent写逻辑密集的脚本确实容易翻车，尤其是依赖AST这种需要精确理解结构的时候。我自己试过类似任务，感觉它更多是“拼凑代码”而非“推理逻辑”，所以你把需求写得再细，它也可能忽略边界情况。个人经验是，与其反复改prompt，不如把任务拆成小步骤，比如先让它生成一个只处理单个文件的版本，再逐步加递归和过滤规则，这样调试起来轻松很多。另外可以试试在prompt里明确写“不要修改__init__.py”这种硬约束，效果比贴文档好。

这种任务确实容易翻车，试试把需求拆成小步骤一步步喂给Agent，别一次给太多。

同感，这问题我也遇到过。Agent在理解“不能删__init__.py”这种边界条件时确实容易翻车，感觉它更擅长生成模板代码而不是精细逻辑。建议你把“排除特定文件”这种规则单独写成一个checklist，或者先让它输出伪代码你再确认，成功率会高不少。

这种任务确实容易翻车，不如把需求拆成几步让它一步步写，出错也能定位。

这种偏逻辑判断的任务，Agent确实容易翻车，尤其是涉及文件遍历和边界情况（比如排除__init__.py）时，它经常顾头不顾尾。我自己试过类似的需求，感觉不如先给几个极端例子（比如空文件、嵌套深层目录）让它测试，再根据报错修prompt，比一步到位稳得多。另外，你提到的流程图思路其实挺靠谱，让Agent先拆步骤再写代码，能减少很多逻辑跳跃带来的bug。

说实话我也遇到过类似问题，Agent对边界情况的理解确实挺随缘的，像文件递归这种细节，它经常默认只处理当前目录。我觉得你这种偏逻辑判断的任务，光靠prompt描述确实容易翻车，不如先让它生成一个伪代码或步骤清单，你确认逻辑没问题再让它写具体实现，这样至少能卡住关键漏洞。另外写AST相关脚本时，我一般会明确告诉它排除哪些模式，比如忽略__pycache__和__init__.py，不然它总爱自作主张。

这种情况我也遇到过，感觉Agent在需要全局理解项目结构的时候确实容易翻车，比如递归扫描和忽略特殊文件这种边界条件经常出问题。我觉得不是prompt的问题，而是工具对代码上下文的感知还不太够，尤其是涉及到多个文件依赖时容易断片。你可以试试把需求拆成两步：先让它单独写一个ast分析函数，再手动加个文件遍历的壳，这样反而比一次性生成整段逻辑更稳。另外推荐用pylint或autoflake这类现成工具做参考，让Agent直接改现有代码比从头写靠谱得多。

这种任务确实容易翻车，你试试把边界情况像__init__.py单独写进prompt里。

说实话你这情况我太熟了，Cursor和Claude在写逻辑密集型代码时确实容易翻车，尤其是涉及文件遍历、异常边界这种细节。我试过让它写类似的脚本，后来发现与其反复改prompt，不如先手写个伪代码框架扔给它，让它在框架里补具体实现，这样至少不会漏掉关键分支。另外可以试试把测试用例提前写到prompt里，比如“如果遇到__init__.py就跳过”，效果比贴文档好。

这种场景还是得自己先把边界条件理清楚，AI对业务逻辑的隐含规则理解确实容易翻车。

说实话，我觉得这更像是工具的边界问题，不是prompt能完全解决的。AST这种偏静态分析、需要精确遍历语法树的活儿，Agent很容易在细节上翻车，比如递归和边界判断。我自己试过类似需求，后来是让Agent先写核心逻辑，我再手动补上文件遍历和异常处理，这样比指望它一步到位靠谱得多。

这种情况我也遇到过，感觉不是prompt的问题，而是Agent对“项目结构”这种上下文理解不够深，容易把边界条件搞混。你贴ast文档它不一定能消化成代码逻辑，反而越改越乱。我的经验是，先让它把大框架写出来，然后自己手动按需求调整边界判断，比如排除__init__.py这种特殊文件，比反复修prompt省心多了。

说实话你这情况我也遇到过好几回，尤其是用ast这种需要精确节点操作的库，Agent经常会在边界条件上翻车。我觉得不完全是prompt的问题，更像这类结构化代码任务对AI来说有个“逻辑颗粒度”的瓶颈——它理解了大方向，但没法像人一样在脑子里把所有异常分支跑一遍。你试试把需求拆成两步：先让Agent写出带伪代码注释的框架，你自己把递归、排除__init__.py这些硬逻辑敲进去，再让它补具体实现。另外Cursor的Agent对Python标准库的上下文理解其实比Claude弱一点，我上次换Claude的Projects模式，把ast文档作为知识文件挂载，生成结果明显稳很多。流程图那招我个人试过，对复杂业务逻辑有用，但像你这种偏语法解析的，可能还不如直接给它几个正确/错误用例的输入输出对来得有效。说到底，这类工具目前更擅长搭脚手架，收尾的细节还是得自己兜底。