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，AI Agent写代码更像“顺着你的描述猜”，而不是真的理解代码结构。我之前也试过让它写类似的AST分析工具，后来发现把需求拆成“先返回所有import节点，再单独写过滤逻辑”这种小步骤，成功率会高很多。流程图那个思路我觉得可行，但别指望它一次画对，重点是让它把边界条件（比如跳过__init__.py）显式列出来，你再往prompt里补，比贴文档管用。另外，建议你让它先跑一个最小测试用例，比如只有一个文件的临时目录，验证逻辑对了再放开范围，不然它容易在细节上反复横跳。

这问题我太有同感了，Agent写这种带边界条件的脚本确实容易翻车。我觉得关键不是prompt描述得不够细，而是它缺乏对项目整体结构的“常识”，比如__init__.py这种特殊文件，你得在需求里显式写成“跳过所有__init__.py”，它才会当回事。画流程图那招我试过，反而容易让它在伪代码层面过度设计，最后实现出来跟你想的还是两回事。我的经验是，把它当个刚入职的实习生，每一步都给定死，甚至直接给它一个最小可运行的例子让它改，效果比大段文字描述强多了。另外，这种任务最好让它先输出AST解析的中间结果给你检查，再让它生成删除逻辑，拆成两步走会稳很多。

这问题我太有同感了，Agent写这类偏静态分析的活确实容易翻车，因为它对“边界情况”的理解很弱，比如递归和特殊文件名。你光贴文档还不够，我试过把“排除__init__.py”和“用os.walk递归”直接写成硬性检查项塞进prompt，成功率才上来。流程图那招我觉得不如给两个正反示例让它模仿，比抽象描述管用。另外，这种工具本身逻辑能力就到这了，别太指望一次搞定，把它当个快速原型机，最后自己兜底改改反而省心。

说实话我觉得这还真不全是prompt的问题，Agent对这类“边界条件多、要自己推演”的任务确实容易翻车。你贴文档那段我试过类似操作，效果也就那样，它更像是在模仿你的描述而不是真正理解逻辑。要不你换个思路，让它先输出对ast各节点的处理策略，你确认后再写代码，把大任务拆成几步来校验，比一步到位稳很多。另外可以把误删文件这种风险用单元测试兜底，比反复改prompt省心。

这种逻辑类任务建议把边界条件直接写进prompt，比如排除__init__.py、递归遍历用os.walk，不然AI很容易想当然。流程图那步对简单脚本有点多余，不如让它先输出伪代码你确认后再生成。

这问题我也踩过坑，Agent对“删除建议”这种带副作用的任务天生容易保守或激进，因为它对项目上下文的理解是碎片化的。你贴官方文档反而可能干扰它，让它过度纠结语法细节而忽略递归和文件过滤这种工程常识。建议别让它直接生成完整脚本，而是先让它输出一个伪代码的检查清单，你确认后再让它实现，相当于把逻辑拆成小步验证。另外，对这种工具类脚本，其实自己写核心逻辑也就半小时，用Agent反而花在调prompt上的时间更多，有点得不偿失。

说实话我也踩过类似的坑，后来发现这种任务真不能指望Agent一次写对。它本质上是语言模型在做概率生成，不是在做静态分析，所以对边界条件比如递归、特殊文件名的处理天然会漏。你把ast文档贴进去其实帮助有限，因为它可能只是“读过”但没真正“理解”你项目里的目录结构。我自己的经验是把大任务拆成几个小步骤来问，比如先让它单独写一个遍历文件的函数，再单独写一个用ast找未使用import的函数，最后再让它组合，这样比一次性给完整需求稳定得多。流程图那个思路我觉得可以试试，但别指望它真的画对，重点是让prompt里的逻辑链条更清晰，比如明确告诉它“跳过__init__.py”“用os.walk”这种具体操作。另外你也可以考虑让它先输出伪代码，你确认逻辑对了再让它转成正式脚本，相当于加一道人工校验关卡。工具局限肯定存在，但有时候确实是咱们没把约束条件写透，尤其是异常情况和排除项，多试几版prompt总会找到手感。

这问题我也踩过坑，Agent写小工具还行，一涉及边界条件就翻车，建议把具体例外情况直接写进prompt里。

逻辑判断还得自己把关，我一般让它生成单测用例来反推逻辑，比来回改prompt高效多了。

这问题我太有同感了，之前让Agent写个批量重命名脚本，也是反复横跳。我感觉它其实不太能“理解”边界条件，比如递归、忽略特定文件这种隐含逻辑，你光靠文字描述很难约束住。我后来发现，把“不要做什么”直接写成一个测试用例列表，它反而表现好很多。另外，画流程图这招我试过，对复杂逻辑确实有点用，但小脚本里它反而会绕远路，可能还不如你直接给它一个报错让它自己修。

这种任务确实得先把边界条件列清楚，比如递归和排除文件，不然Agent容易自作聪明。你可以试试让它先输出伪代码再实现，比直接写靠谱点。

这题我太有同感了，我拿Agent写类似的重构脚本也翻过车。感觉问题不在prompt，而是它生成代码时对边界情况的“想象力”有限，比如递归和特殊文件这种细节，你越强调它越容易钻牛角尖。你可以试试别让它直接出代码，而是先定义好输入输出和异常处理清单，甚至给它几个具体的测试用例，让它跑通了再返工，比描述逻辑管用。另外，真建议加个dry-run模式，让脚本先打印会删哪些文件，自己人工确认一眼，别指望它一次对。

这活儿其实更适合让AI生成单测用例，拿用例去卡它的逻辑，比反复改prompt高效多了。

建议你把大任务拆成几个小函数让Agent逐个写，每个都验证通过再接起来，能少踩很多坑。

这类任务其实更适合拆成小步骤逐个验证，让Agent一次只改一个点，别指望它一口气搞定全部逻辑。

说实话我觉得这问题一半一半吧，Agent确实擅长写模板代码，但像这种带边界条件的静态分析任务，它很难自己想到要处理__init__.py这种特殊情况。我试过类似场景，与其反复磨prompt，不如直接把你要排除的文件名、目录遍历规则写进需求里，让它按清单执行反而靠谱。流程图那步有点太理想化了，实际体验是它画完图该漏还是漏，关键还是靠你拆解出明确的约束条件去喂它。

这问题我太有感触了，上周刚用Claude写个批量重命名脚本，也是栽在边界条件上。我觉得工具本身对“整体架构”还行，但对“细节约束”特别迟钝，你贴官方文档反而容易让它抓错重点。不如换个思路，让它先输出处理逻辑的伪代码，你确认后再让它转成Python，这样能省不少来回扯皮的功夫。另外你那个误删__init__.py的情况，我建议在prompt里直接加一句“跳过所有以双下划线开头结尾的文件”，比描述整个需求高效得多。

说实话你这个场景我试过挺多次，Agent在处理“边界情况”上确实容易翻车，比如递归扫描和排除特定文件这种隐含规则，它很难自己推理出来。我后来摸索的办法是，不直接让它写完整脚本，而是先让它列出处理步骤（像伪代码），确认逻辑没问题再让它生成代码，成功率会高不少。另外你也可以试试把“排除__init__.py”这种约束直接写成一个独立清单塞进prompt末尾，比在描述里用自然语言强调管用。工具肯定有局限，但有些坑其实是可以通过拆解任务绕过去的。

说实话你这情况我太熟了，ast那块儿Agent对边界情况的处理确实容易翻车，尤其是递归遍历和特殊文件名的过滤，这属于它训练数据里不太容易覆盖到的细节。我试过把需求拆成两步走，先让它输出一个处理逻辑的伪代码框架，确认没问题了再让它写具体实现，比直接丢完整需求稳很多。流程图倒是不用画，但让它列清楚“哪些文件要跳过”这种规则列表，效果会立竿见影。工具局限和prompt问题各占一半吧，这种带明确判断规则的任务，还是得靠人在关键节点盯一下。

这问题我太有同感了，之前让Agent写个批量重命名脚本也是反复改了好几轮。你卡在递归和__init__.py这种边界情况，其实不是prompt不够细，而是这类工具对“隐含规则”的理解天生就弱。我试过把异常场景直接写进需求里，比如“跳过所有__init__.py”这种明确指令，比贴文档管用。画流程图那招我试过，对简单任务有帮助，但逻辑一复杂它反而容易把图理解得过死，建议你不如先自己跑一遍小样本，把输出错误喂回给它，让它自己修正，比重新描述需求快得多。

这种任务确实容易翻车，建议你把“删除建议”改成“输出待确认列表”，让Agent只做分析别动手改。

这题我太有同感了，前两天也让agent写个批量改文件名的脚本，它老把例外情况漏掉，我甚至怀疑是不是自己表达有问题。后来我发现，这种逻辑密集型的活儿，agent更像是一个“快速原型机”，你得把边界条件、异常处理都拆成最小步骤喂给它，比如直接告诉它“用os.walk递归”而不是“扫描所有文件”。画流程图那招我试过，对复杂任务确实管用，但简单的脚本反而更费劲。我觉得你现在卡住，可能不是prompt的锅，而是这类工具对“精确逻辑”的容错率本来就低，不如让它生成基础版本，你自己再改关键判断部分，效率反而高。