模仿Kiro,超越Kiro:一图说明Augment Code的「任务列表」强在哪里

早在评测 Kiro 的文章《理念惊艳,体验拉胯:写在Kiro初体验之后》中,我就曾提到其 任务列表(Tasklist) 功能带来的两大好处:

  • 透明度更高:模型的操作不再是一个完全的黑盒。你可以清晰地看到系统是如何被设计的,以及这些设计将如何影响你的项目。
  • 参与感更强:用户不再是那个只会傻傻提要求的角色。通过深度参与从构思、设计到实施的每一个阶段,并仔细考量所有决策,理论上你最终会得到一个质量更高、更易于维护的应用程序。

这种将现实世界的开发流程,映射到 AI 编程工具的执行流程中的做法,正在成为一种新的趋势。

这不,最近热度一度赶超 Cursor 的 AI 编程工具 Augment Code,也推出了一个同名的功能,并将其打磨得更加成熟好用。

本文将分为三个部分,带你深入了解这一功能:

  • 核心用法:如何上手 Augment Code 的任务列表?
  • 对比分析:它与 Kiro 的实现有何异同?
  • 设计哲学:任务列表究竟解决了开发者与 Agent 协作的哪些痛点?

什么是任务列表?

简单来说,任务列表可以将一个复杂的问题,拆解成一系列清晰、有序、可管理的步骤。

它不是一个简单的待办列表,而是一个可以动态调整的路线图,让你和 Agent 能够围绕同一个计划紧密协作,实时跟踪进度,并随时调整方向。

任务列表怎么使用?

第一步:创建任务

  • 自动创建:当你向 Agent 抛出一个复杂的、需要多步骤才能解决的问题时,它通常会自动为你生成一份详尽的任务列表。
  • 手动指派:你也可以主动地引导 Agent,只需要发送提示:"创建一个任务列表来...",然后清晰地描述你想要解决的问题即可。
  • 完全自定义:对于喜欢精确控制的开发者,也可以从零开始构建自己的任务列表。
    • 首先,点击聊天界面旁的展开图标,再点击清单图标,即可切换到任务列表专属界面。
    • 接着,点击加号(+)按钮,手动添加你的第一条任务
    • 或者,你也可以在底部的输入框中直接输入任务内容,然后从"发送"按钮旁的下拉菜单中选择「添加任务 (Add Task)」,即可快速添加。

第二步:运行任务

计划制定好后,就可以开始执行了。

  • 单步执行:要运行某个特定任务,只需点击任务旁边的执行按钮(▶️),Agent 就会立即开始执行该项任务。这种方式非常适合在关键步骤进行验证。
  • 顺序执行:如果您对整个计划都感到满意,也可以点击任务列表顶部的总执行按钮,Agent 将按照顺序自动完成所有任务。

第三步:监控、停止与审查

直观的任务状态

任务的进展通过简洁的图标和颜色清晰地展示出来:

  • ⚪️ 空心圆圈:任务待办,尚未开始。
  • 蓝色半圆:任务正在进行中。
  • 绿色对勾:任务完成,等待审阅。

这些状态遵循着一个严格的生命周期:待办进行中已完成 / 已取消,界面会实时同步这些变化。

随时停止任务

如果发现 Agent 的执行路径偏离了你的预期,只需要果断点击停止按钮(⏹️),即可立即中断当前任务。随后,你可以给出新的指令,纠正它的错误,引导它回到正确的轨道上。

审查代码变更

当一个任务完成后,你可以在"任务 (Tasks)"和"变更 (Changes)"两个视图之间自由切换,查看每个任务所产生的具体代码差异 (Diffs)。

与Kiro的异同点

结构化协作界面

Kiro 的任务列表形式是基于 Markdown 文档的。虽然灵活,但在交互和管理上存在天然的局限性。

Augment Code 的任务列表则提供了一个专属的结构化协作界面,围绕这个界面,打造了一系列精确的操作(如运行、停止、添加),使得任务的管理和添加更加方便和高效。

"对象"而非文本

在 Augment Code 中,每个任务都不再是一段简单的文本描述,而是一个具有独立状态的"对象"。

这意味着,任务将从原本的"单一长提示词"中被剥离出来,可以被单独追踪、操作、传递。

就像软件工程中的状态机 (State Machine)一样,严格的状态转换确保了 AI 在执行复杂流程时能保持正轨,避免因"单一长提示词"模式而导致的跑偏和遗漏问题。

同时,这种灵活性,也为未来引入子 Agent 来校验任务进度 ,甚至多个 Agent 间协作处理一个任务提供了坚实的基础。

任务可导入导出

你可以将任务列表导入和导出,方便在相似的工作流中重复使用。

有些工作流你总会反复遇到,比如:添加一个新的功能开关、更新项目的配置文件等等。现在,你无需每次都从零开始构建计划了。

你可以这样做:

  • 当一个任务列表内的任务验证通过后,你可以让 Agent 根据这次的执行经验,反思并优化这个列表
  • 将这个优化过的任务列表导出,作为"模板"提交到你的代码库里。
  • 当下次需要时,你可以直接在提示词中通过 @任务列表名称 来引用它。
  • 你还可以让 Agent 在这个模板的基础上,根据你新的需求进行微调和适配。

这实际上为你提供了一套具备代码感知能力的自动化模板库,可以极大地提升重复性工作的效率。

打通任务管理工具

Augment Code 集成了许多外部服务,比如 GitHub、Linear、Jira、Notion等。

它能够根据你的请求上下文,自动调用合适的服务,让你无需离开编辑器即可完成协作。

现在,任务列表可以与你现有的项目管理工具(如 Jira 或 Linear)完美配合,扮演一个得力助手。

  • 你可以要求 Agent 基于 Jira 或 Linear 中的工单(Ticket)来创建任务列表
  • 它会帮你将一个复杂的工单,进一步分解为多个具体的、可执行的步骤。
  • 当所有任务完成后,你可以要求 Agent 自动在 Jira 或 Linear 中关闭这张工单,并附上本次执行的详细步骤作为评论。

这套组合拳,真正打通了从"任务分配"到"代码实现"再到"任务关闭"的完整链路。

为什么需要任务列表?

告别"黑盒"

在传统的聊天式交互下,当你下达一个指令后,Agent 的规划和执行过程对于你来说是完全封闭的。

你无法提前知道它每一步的计划,自然也就无法干预它的决策。你唯一能做的,只是被动地等待、实时地监督,等到它执行到对应的那一步时,才能知道它有没有理解错你的意图。

而任务列表的出现,则彻底改变了这一点。

正如 DeepSeek 开创性地把推理模型的思考过程呈现出来一样,任务列表也相当于把 Agent 的规划过程"前置并可视化"。

它把原本那种"黑盒"式的规划过程,转变为一个完全透明、可衡量、可干预的工作流。 它迫使 AI 在行动之前,必须预先展示其计划。

这意味着你在规划层面就可以发现潜在的问题,并及时纠正,而无需再紧盯着 Agent 输出的每一条消息,更不用等到最终结果出来,才在海量代码细节中定位问题根源。

克服"分心"

大多数工具只是用普通的 Markdown 来存储计划,这导致 Agent 很容易在执行某些复杂任务时"分心",遗漏掉一些关键步骤。

试图将一个复杂的工作流硬塞进一个单一的提示词里,结果往往不尽如人意。

这既是 UI 层面的问题,也是一个根本性的架构问题。UI 固然需要清晰地展示 Agent 的思考过程,但更重要的是,底层的设计需要能够支持结构化的、有状态的任务,以便 Agent 能够可靠地追踪和执行。

先规划,后执行

任务列表引入了一种更安全、更专业的开发模式:"先规划,后执行"。

你可以在投入实际的开发之前,先让它一起规划出一份清晰的工作蓝图。这种分离带来了显而易见的好处:

  • 提前验证:你可以在代码实际运行前,审查整个计划的合理性。
  • 补充完善:你可以轻松添加被遗漏的步骤,比如"编写单元测试"、"清理临时文件"等。
  • 风险预警:你可以更早地发现计划中可能存在的风险,防患于未然。

可动态调整

软件开发永远充满了变化,而任务列表恰恰是可以动态调整的。

因为 Agent 会实时地从列表中读取下一步的任务,这意味着你可以随时调整计划。

在执行过程中,如果你发现遗漏了某个依赖,或是需要调整步骤的先后顺序(比如,先迁移数据库结构再修改 API),都可以直接在列表中进行修改。

你无需停止重来,也无需重新输入提示,只需简单调整,Agent 就会无缝地衔接新的计划,继续执行下去。

总结

最后,用一张表格来总结 Augment Code 与 Kiro 「任务列表」功能的对比情况。

特性维度 Augment Code 任务列表 Kiro 任务列表
呈现形式 提供一个专属的、结构化的协作界面。 基于 Markdown 文档。
交互与管理 围绕界面打造了运行、停止、添加等一系列精确操作,管理高效。 灵活性高,但在交互和管理上存在天然的局限性。
任务本质 每个任务都是一个具有独立状态的"对象",而不仅仅是文本描述。 任务形式只是 Markdown 文档中的文本。
状态管理 任务遵循严格的状态转换(如状态机),能可靠追踪,避免 AI 跑偏和遗漏。 依赖于 AI 在单一长提示词模式下的理解力,可能会"分心"或遗漏步骤。
任务复用性 支持任务列表的导入和导出,可以作为"模板"在相似的工作流中重复使用。 针对每个功能模块建立单独的文件夹保存任务列表。
外部工具集成 集成了 GitHub、Linear、Jira 等外部服务。可以基于工单(Ticket)创建任务,并在完成后自动更新工单状态。 没有相关功能。
相关推荐
yaocheng的ai分身24 分钟前
Cursor 终端“卡死/无响应”问题的解法
ai编程·cursor
yaocheng的ai分身1 小时前
AI 领域的新技能不是 Prompting,而是 Context Engineering
ai编程
Pitayafruit1 小时前
Spring AI 进阶之路01:三步将 AI 整合进 Spring Boot
spring boot·后端·ai编程
yaocheng的ai分身1 小时前
AI Coding 方法论之 Compounding Engineering
ai编程
子昕6 小时前
试了Claude Code的Sub Agents,前后端同时干活,这感觉太爽了
ai编程·claude
程序员老刘6 小时前
为什么暂时不推荐Qwen3-Coder?
flutter·程序员·ai编程
极限实验室8 小时前
Easysearch 集成阿里云与 Ollama Embedding API,构建端到端的语义搜索系统
数据库·openai
coder_pig13 小时前
👦抠腚男孩的AI学习之旅 | 2、玩转Prompt提示词工程
aigc·ai编程
程序视点14 小时前
【2025最新】Cursor安装-订阅-使用全流程指南!你不得不用的AI编程神器!
前端·后端·cursor