大家好，我是 ast-grep 的作者。ast-grep 是一个能让你像做手术一样，精准查找和替换代码的命令行工具。它直接在代码的真实骨架------语法树（AST）上操作。虽然功能强大，但手写 ast-grep 规则是个不小的门槛，需要你彻底玩明白这个工具才行。
这个项目从设计之初，就是为"人"打造的工具，而不是为了追 AI 的风口。不过，ast-grep 也一直在探索如何利用 AI 来优化人类开发者的体验。这篇文章，就是我尝试用 AI 来生成 YAML 规则的心路历程。
为啥 AI 写 ast-grep 规则这么难？
让 AI 来生成 ast-grep 规则，真不是件容易事。首先，ast-grep 相对较新，大语言模型（LLM）的训练数据里基本没见过它，所以你让它写规则，它要么一本正经地胡说八道，要么干脆就摆烂看不懂。
虽然我们可以用"上下文学习"（In-context learning）的方式，在提示词里给它几个例子，让它临场学会语法，但这解决不了一个更头疼的问题------"复合错误"（compounding errors）。
ast-grep 的规则尤其如此，它常常是由一堆更小的原子规则组合而成的。我们人类开发者在写的时候，也得通过反复试错来调试这些小规则，再小心翼翼地把它们组合成一个能正常工作的整体。对于 LLM 来说，一个小地方的错误，就像滚雪球一样，最终导致整个规则完全报废。正如论文 《Faith and Fate》 中所说：
这些任务需要将问题分解为子步骤，并将这些步骤综合成一个精确的答案。
这就解释了为什么简单地向 LLM 提问对 ast-grep 不起作用。不过，好消息是，现在各种"会思考"、"懂反思"的 Agentic 模式开始崭露头角，它们能纠正自己的错误，并可能降低这类错误的概率。所以，是时候再给 AI 规则生成一次机会了！
一年前的首次尝试
我一年前的初次尝试，简直是被现实狠狠打了脸。当时用 DSPy 搭建了一个固定的 Agent 工作流：生成用例 -> 创建代码范例 -> 用自然语言描述规则 -> 翻译成 ast-grep 规则 -> 最终验证。
结果呢？四个字：惨不忍睹。
我当时用的模型，基本都是 Ollama 和 aistudio 上的免费 API（感谢谷爹 $GOOG）。它们连固定的输出格式都做不到，代码范例错漏百出，更别提生成有效的 ast-grep 规则了。而且，那会儿模型的上下文窗口也短得可怜，我连一份完整的说明书都塞不进去。我感觉自己缺了两个关键环节：一个是让 Agent 能根据搜索结果的反馈来优化规则，另一个是把复杂的需求动态拆解成更小的子任务。我的 Agent 架构虽然能解决这些问题，但背后的模型实在是心有余而力不足。
一年后：更好的模型，更好的 Agent
快进到今天，世界变了。现代 LLM 不仅"记忆力"超群，而且理解复杂指令的能力也大大提升。有了这些，再加上受 Anthropic 最新指南的启发，我决定再战一次。
这次我发现，根本不需要什么复杂的 Agent 框架。像 Cursor 这样的 AI 编程工具，已经为我们这些工具开发者提供了足够好的 Agent 框架。所谓重剑无锋、大巧不工。真正的秘诀其实非常简单：提示词工程（Prompt Engineering） 。我说的"提示词工程"，不是指任何框架或技巧，就是给人和 AI 写一份清晰、易懂的"操作手册"。
当然，在打磨好提示词之前，我还是见识了不同模型各种有趣的翻车现场，这些现象某种程度上也反映了各大 LLM 厂商的训练思路：
-
OpenAI O3 ：这家伙简直是"幻觉"的代名词，天马行空地发明了一套看起来像 CodeQL 或 jscodeshift 的语法，完全无视了网上能找到的 ast-grep 文档。一旦工具报错，它就彻底懵圈，立马放弃治疗。那感觉，就像 OpenAI 的预训练数据集瞥了一眼我的文档，然后自信满满地决定"我比你更懂"，接着就把我的文档扔进了垃圾桶。（哦豁，就像开智对待我的简历一样）
-
Gemini ：这位就正常多了。它的"幻觉"至少还在一个圈子里，会借鉴一个相关但更成熟的工具------Semgrep 的语法。（再次感谢谷歌爸爸的抬爱）。它在处理错误方面也还行，但就是有点"犟"，老想自己发明一套 ast-grep 的命令行用法，而不是用我提供的 MCP 工具。
-
Claude 4：这是开箱体验最好的一个。它能准确识别出 ast-grep，并生成语法正确的规则。看来 Anthropic 的训练数据已经收录了 ast-grep 的文档！好耶！不过，它在处理那些决定规则能否正常工作的语义细节上还是有点吃力。但值得表扬的是，它真的非常努力，会一遍又一遍地用不同的输入参数尝试我给的工具，展现出了其他模型所没有的"执着"。
像教人一样给 AI Agent 写提示词
在反复迭代提示词之后，我发现，这三个模型其实都能表现得非常出色。关键在于，不要把提示词当成什么"魔法咒语"，而是把它当作一本条理清晰的"操作手册"。
我最终的提示词，给了 AI 一个简单的五步计划：
- 首先，清晰地理解用户的需求。
- 其次，写一个用户想要查找的简单代码片段。
- 然后，编写一个能够精确匹配该代码片段的 ast-grep 规则。
- 接着，用这个例子来测试规则，确保它能正常工作。
- 最后，用验证过的规则在代码库里进行搜索。
这个清晰的、一步步的流程，把那些有些神经兮兮的天才，变成了更可靠的助理。通过分解问题，并提供一个验证闭环，我给了模型一个成功的框架。你可以在 sg-mcp GitHub 仓库里看到完整的提示词。
最终的效果相当惊艳，可以看看下面的演示视频。视频没有加速，但有音乐和猫猫。（看着 AI 自动生成规则，而我自己则像视频里的小猫一样点头赞许，这种感觉真是该死的满足）
这次的经历再次印证了我的一个核心信念：AI 的真正力量，不在于取代开发者，而在于为他们打造更好的工具。 这也表明，随着大语言模型的能力越来越强，教导 AI 的最佳方式不是通过复杂的框架或僵化的流程，而是通过清晰、人类可读的指令。
通过教会 AI 如何编写规则，我希望 ast-grep 能变得更容易上手、更强大、更方便使用。
Happy grepping！