最近，我们在 AutoDev 上构建了新的功能：AutoDev Planner，它是一个基于 DeepSeek R1 推理模型构建的编码任务规划功能。当然了，除了 DeepSeek R1 之外，你也可以使用其它模型。
在 AutoDev Planner 中，AI 将会根据你的输入和收集的上下文，生成一个用于后续编码的任务计划。随后，这个编码计划可以用其它指令遵循更好的模型，比如 DeepSeek V3，来生成代码、编辑代码等。
引子 1：AI 编码任务的进度显性化
在进行 AI 编码 Agent 的设计时，一个非常有意思的点是，用户对于编码任务的感知是怎样的，即用户应该能显性看到进度，还是隐性感知进度。
Copilot Workspace：早期的 AI 显性任务
去年，我尝试使用 GitHub Copilot Workspace 来帮助我进行前端的开发工作。我尝试了几十个小的需求点，哪怕只是简单的 i18n 翻译，它的表现并没有 我想象中的那么好，大抵是受限于 GPT 4 的能力限制。而 Copilot Workspace 的思路确实非常不错：
- Brainstorm。对用户的 Task 进行头脑风暴（Brainstorm）
- Task。将 Task 转换为一个可编辑的 Plan
- Execute。执行 Plan，生成代码 Pull Request
- PR。将变更以 Pull Request 的形式提交
你可以显性看到 AI 思考、编辑、执行的过程，当然它没有动态的去调整他的计划，而是一次性生成（基于 2024 年的认知）。
Cursor ：AI 隐性任务下的自动化重试
回到，最近一年多特别火热的 AI 编码工具 Cursor，它构建了非常好的 AI Editor 体验，用户抛出一个问题。它会：
- 自动收集 IDE 中的上下文
- 对代码进行编辑
- 在代码出现 Lint 问题时，自动修复；在代码出现错误时，自动重试
- ......
你可以通过文字大概理解 AI 到底干了点什么，但是很快大量地重试，让你感知不到过程的存在。
JetBrains Junie ：动态的 AI 任务规划
JetBrains Junie 算是最新 AI 编码工具，它构建了一个动态的 AI 任务规划体验。用户抛出一个问题。它会：
- 结合分析问题，理解用户意图，生成一个任务计划
- 按步骤执行每个任务，并根据需求再获取上下文
- 在任务执行过程中，动态调整计划，以适应用户需求
在过程中，你可以看到它的计划在不断调整和迭代，直到最终完成用户的 issue 或者不能完成。
引子 2：推理模型规划任务的想象空间
众所周知，2024 年底的推理模型或者说 "可深度思考模型"，带来了更多的想象空间与可能性。我们在 AutoDev Sketch（类 Cursor Composer 自动编码 Agent） 中做了一系列的实验， 发现与其它的国内模型相比，DeepSeek R1 在相同上下文的情况下，比普通模型更容易生成更好的工具调用（ 基于 DevIns 指令）。与 DeepSeek V3 相比，DeepSeek R1 调用了更多的工具。
理想情况下，我们应该用 R1 进行首轮工具对话和第二轮的任务规划，但是 R1 的速度确实太慢了，从时间上来算相当于多调用了一轮 API。但是，依旧可以 看到 R1 的优势，相信大家也有相似的感受和体验。
当然我们没有做大规模的实验，毕竟构建非常好的测试数据集是特别花费时间的。
AutoDev Planner：Agent 编程的任务规划
基于上述的思考，我们构建了新的拟人功能：AutoDev Planner 以强化 Sketch 的任务规划能力。AutoDev Planner 的核心功能是：
- 可见的任务规划。通过 Pin 及 Planner ToolWindow 的可以看到当前的任务进度
- 动态的任务规划。AI 会根据上下文动态调整任务规划（取决于模型，有时候并不会实时更新）
- 手动执行未完成的任务。用户可以手动执行未完成的任务，以便更好地调整任务规划
- 规划 Review。用户可以手动调用模型来 Review 任务规划（为什么不是自动的，因为 token 对普通用户来说是非常昂贵的）
总体思路还是非常简单的，就只是调用模型生成计划，然后展示这个交互。
关键点 1：基于推理模型的任务规划
由于推理模型与普通的模型在理解 prompt 和遵循指令的能力是有差异的，我们原先用于 V3 的 prompt 并不适用于 R1。因此，我们需要重新设计 prompt 以适应 R1 的能力。
简单来说，就是当完成了初步的上下文收集之后， 而且用户配置了推理模型之后，我们会调用 R1 来生成一个任务计划。这个任务计划会包含：任务、步骤及 其相关的进度情况，随后我们会将这个计划展示给用户。
关键点 2：任务规划的可交互性
与其它的 AI 编码工具不同，我们认为任务规划是一个非常重要的交互，因此我们提供了一些交互功能：
- 任务的状态显示：
- 完成的任务将会被标记为完成
- 未完成的任务可以手动执行
- Pin。用户可以将任务 Pin 到 IDE 的某个位置，以便更好地关注
- 文件交互。考虑到模型的能力，当文件出现在任务中，可以点击文件名打开文件
- 编辑。当用户觉得任务规划不合适时，可以暂停并及时调整任务。
- review。用户可以手动调用模型来 Review 任务规划
通过可视化任务来构建更好的 AI 编码体验，这是 AutoDev Planner 的初衷。
总结
AutoDev Planner 是一个基于推理模型的任务规划功能，它可以帮助用户更好地理解 AI 编码任务的进度，以及更好地调整任务规划。当然，它还有很多不足之处， 欢迎在 GitHub 上提出 issue 和 PR。
欢迎下载最新版本体验：github.com/unit-mesh/a...