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？

这种任务最好把边界条件直接写进prompt，比如排除__init__.py和递归规则，别指望它自动理解。

我试过类似情况，让Agent先输出执行计划再写代码，比反复改需求靠谱得多。

这活儿其实更适合写个测试用例喂给它，让它自己跑通再改，光改prompt确实容易钻牛角尖。

其实你先让它处理单个文件，跑通了再给目录结构，这种多步任务拆开反而更稳。

这问题我太有同感了，Ast这种带状态遍历的逻辑，Agent经常会在边界条件上翻车。你试试别让它一次生成完整脚本，改成先让它输出处理流程的伪代码，确认递归逻辑和文件名单后再让它写实现。另外，把测试用例直接写进prompt里，比如明确告诉它“init.py必须跳过”，比贴官方文档管用。

这种任务得把边界条件写死，比如明确排除__init__.py，AI才会少踩坑。流程图倒没必要，先让它列出伪代码你确认逻辑再生成更靠谱。

我之前也遇到过类似问题，后来换了方案。

这种带边界条件的逻辑任务，agent确实容易翻车，建议把“排除__init__.py”直接写进prompt的验收标准里。另外让它先列测试用例再写代码，比画流程图靠谱。

这种任务确实不太适合一步到位，我一般先让它拆成小函数逐个验证，比反复改prompt靠谱。

这种任务确实得靠人盯着，Agent写出来的是骨架，边界条件还得自己补。我一般让它先列测试用例再写码，能少踩不少坑。

说实话我也遇到过类似的情况，后来发现关键不在prompt写多细，而是得把“边界条件”明确成规则喂进去。比如你直接告诉它“跳过所有__init__.py，但保留包内引用”，比给它看ast文档片段有效得多。另外你说让它画流程图再写代码，这个思路我试过，对复杂逻辑有点用，但对这种小脚本反而拖沓，因为Agent容易把流程图理解成伪代码然后过度设计。我现在的习惯是让它先输出一个“决策清单”，比如哪些文件类型要扫、递归深度多少、遇到语法错误怎么办，你逐条确认后再让它写实现，这样出错率会低很多。其实不是AI不擅长逻辑判断，而是它默认会按“最通用”的方式去补全你没提到的场景，你越能压缩它的“自由发挥空间”，结果就越稳。工具局限肯定有，但多数时候还是需求描述里隐含的约束没被它捕捉到。你可以试试把“删除建议”改成“生成两份列表：一份安全删除，一份需人工复核”，这样它反而会更谨慎。

这活儿真不如自己写，AIAgent跑偏正常，让它出个正则方案都比硬啃ast靠谱。

说实话我也遇到过类似的坑，Agent对“代码生成”还行，但涉及“边界情况”和“隐含规则”时经常翻车，比如漏递归或者把特殊文件排除掉。我觉得这不完全是prompt的锅，主要还是这类任务需要的是严谨的逻辑推理，而模型更擅长模仿常见模式。你可以试试把需求拆成更小的步骤，比如先让它单独写AST分析函数，再写文件遍历逻辑，最后手动拼起来，这样每个环节出错都好定位。流程图那招对复杂逻辑也许有用，但对这种小脚本可能反而增加理解成本，不如直接给几个测试用例逼它跑通。

这问题我太有同感了，Agent写这种带边界条件的工具脚本确实容易翻车，尤其是递归和文件过滤这种细节。我觉得不是prompt的锅，是它本身对“安全执行”和“业务意图”的权衡不敏感，你贴文档反而让它更纠结。换个思路，你可以先手写个伪代码框架，让它只填关键函数，或者干脆分两步：先让它生成所有import的统计报告，你再手动定删除规则。画流程图可能帮助不大，但让它在代码里加日志输出执行过程，调试起来会直观很多。

说实话你这需求我踩过一模一样的坑，Agent对“边界情况”的理解就是很差，比如递归和忽略特定文件这种隐含约束，你不逐条写清楚它真能给你漏了。后来我学乖了，不是让它直接写代码，而是先让它用自然语言把处理步骤列出来，我确认逻辑没问题再让它生成，这样准确率高很多。另外建议你在prompt里明确加一句“不要修改任何文件，只输出报告”，至少能避免它手滑删东西。画流程图那招我也试过，对复杂逻辑有点用，但这种小脚本还不如拆成两三个子任务分步问。

这问题我前两天刚踩过坑，说实话这种带边界条件的任务Agent确实容易翻车，尤其是递归和特殊文件过滤这种隐式规则。你贴官方文档反而可能让它更死板，不如直接给它几个反例，比如明确写"忽略所有__init__.py且只扫三层目录"，比描述“正确逻辑”管用。流程图那招我试过，对拆解步骤有点帮助，但核心还是得把异常场景喂给它，让它学会“不该做什么”。另外建议先让它输出AST的解析结果给你确认，别直接生成最终代码，这样能提前拦住一半的幻觉。

说实话我觉得这问题一半一半，你需求其实挺清晰的，但Agent对“安全删除”这种隐含约束特别容易忽略，比如__init__.py这种特殊文件。我建议你别让它直接给最终代码，而是先让它列出所有需要排除的情况，你确认了再写实现，相当于把边界条件拆成小步骤喂给它。另外如果递归漏了，你可以在prompt里明确写“用os.walk遍历所有子目录”，比贴文档管用，因为模型对具体函数名的记忆比抽象描述准确。

这问题我也踩过坑，感觉不是prompt的事，是Agent对“边界情况”的推理天然就弱。你让它写主逻辑还行，但递归、特殊文件过滤这种隐含规则，它根本不会主动想到。我后来是直接把排除名单写进prompt里，再加一条“先输出执行计划再写代码”的要求，成功率明显高了。流程图那招可以试试，但别指望它真能理解，主要是逼着它把步骤拆细，暴露逻辑漏洞。

这活儿让AI干确实费劲，它容易忽略边界情况，建议你让它先输出ast遍历逻辑的伪代码再生成脚本。

说实话我也踩过类似的坑，后来发现这类“精确到AST节点操作”的任务，Agent的短板不在理解需求，而在它默认会走“最省事的路径”，比如直接用字符串匹配代替语法树分析，或者递归时忽略特殊文件。你贴官方文档片段反而可能让它混淆，因为它会模仿文档里的示例代码，而不是针对你的项目结构做适配。我现在的做法是先让它输出一个伪代码流程，明确“哪些目录要跳过、哪些文件算special case”，再让它写实现，这样逻辑漏洞会少很多。另外，对于删除建议这种高风险操作，我宁愿让它生成报告而不是直接改文件，然后自己过一遍，毕竟Agent对“init.py是包标识符”这种隐含约定经常失灵。工具局限性确实存在，但换个思路——把任务分解成“先分析、后决策”两步，会比反复调prompt靠谱得多。你试过让Agent先跑一遍AST的dump输出，再基于那个结果生成建议吗？我试过一次，效果好不少。

这问题我太有同感了，之前让Agent写个批量重命名文件的脚本，也是逻辑上反复出岔子。我觉得工具局限和prompt问题各占一半吧，像ast这种偏静态分析的活儿，它容易忽略边界情况，比如递归和特殊文件过滤。建议你别让它一次到位，先让它把核心ast解析跑通，再单独用一轮对话补边界条件，比憋一个大prompt靠谱。另外画流程图那招我试过，对复杂逻辑确实有帮助，但简单脚本可能反而拖慢效率。

这种任务建议直接让agent生成单测用例，用测试结果反推逻辑修正，比反复改prompt高效多了。