108、【Agent】【OpenCode】todowrite 工具提示词（示例）（二）
【声明】本博客所有内容均为个人业余时间创作，所述技术案例均来自公开开源项目（如Github，Apache基金会），不涉及任何企业机密或未公开技术，如有侵权请联系删除
背景
上篇 blog
【Agent】【OpenCode】todowrite 工具提示词（示例）（一）
分析了 TodoWrite 工具的第一个示例，首先 AI 识别到了用户的任务是个需要仔细打磨的系统级功能，触发了 TodoWrite 工具，然后 AI 把用户的自然语言描述进行结构化拆解，翻译成了五步严密的软件工程流水线：UI 层（造出用户能看到的开关按钮），数据层（建立全局状态管理），CSS 样式层（底层样式逻辑），集成任务（把组件接入新的状态系统），测试验收（执行测试和构建，并处理报错），这里的分层体现了 AI 的架构思维，普通程序员可能会想改一下颜色就完事，但 AI 展现了资深工程师的思维，清晰划分了 UI ，State，Style，Intergration 四个维度，确保代码的高内聚低耦合，接着分析了 AI 的内部推理reasoning，其列计划基于了技术架构分析，显式指令提取，隐式意图推断三大维度，下面继续分析
OpenCode
下面看第二个示例，用户提了个重命名的需求
- 先搜索，后决策：面对全局重命名这种高危操作，AI 没有直接就开始盲改，而是选择了先搜索，后决策，首先调用搜索工具摸清了所有待修改点的位置（找到了 8 个文件中的 15 处引用），体现了其严谨的工程纪律：在不知道影响范围的情况下，不能启动复杂任务流程
- 动态触发与任务细化：AI 是在执行过程中动态决定是否使用 TodoList 的，如果只搜出一个文件，可能就直接改了，但现在发现涉及到了 8 个文件，15 处修改，任务的复杂度瞬间飙升，此时 AI 通过创建清单，将任务细化到每一个需要更新的文件这一维度，这也是之前提示词中的规则：当面临多步，复杂且高风险的任务时，须用结构化清单来接管
下面是 AI 的reasoning内部推理过程
- 评估任务边界：这是所有工程操作的基石，AI 明确指出其第一步动作是为了理解任务的范围，在大型项目中，一个函数名可能被用作变量名，字符串甚至是注释，如果不先做全量搜索就动手，就很容易造成误改或漏改，这里说明 AI 具备全局意识
- 复杂度阈值触发：这里展示了 AI 的动态判断能力，AI 没有一上来就直接套用 TodoList，而是在拿到搜索结果后，才得出这是个包含多个步骤的复杂任务的结论，说明其行为模式是根据实际数据驱动的，而不是机械地走流程
- 系统化追踪机制：通过 TodoList，AI 建立了一个系统化的追踪机制，把重构工作变成了可以逐项打勾✅的流水线
- 一致性保障：重构最怕的就是只改了一半，导致程序编译报错，或运行时因找不到函数而崩溃，这里清单可以确保 100% 覆盖率，防止漏改
接着看第三个示例，用户想要开发新功能
- 精准命中触发条件：用户这里直接用逗号提出了四个庞大的电商核心模块（用户注册，产品目录，购物车，结账流程），这里 AI 直接马上触发了 TodoList，另外注意这里的细节【Break down】（分解），说明 AI 不是简单把四个词放进清单里，而是在建立清单时，就预判了数据库，后端 API 和前端页面的交互等，此时这些简单的概念已经转换成了底层可执行的工程任务
- 单线程纪律：这里践行了之前 blog 强调的串行执行规则，面对四大功能，AI 没有试图多线程并发，而是先锁定了第一个目标【用户注册】，并且在真正写代码之前，AI 提前预告了这个任务的边界，涉及到数据模型（Models），接口（Endpoints）和表单（Forms），并且特别强调了要适配集成到现有的认证系统中，说明了 AI 不是在孤立地造轮子，而是在做系统级的集成开发
OK，本篇先，到这里，如有疑问，欢迎评论区留言讨论，祝各位功力大涨，技术更上一层楼！！！更多内容见下篇 blog