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：https://github.com/unit-mesh/auto-dev/releases