从Prompt到PR：用AI Agent搭建自动化编码工作流的完整教程

很多开发者用 AI 编码工具只是”写代码时问一问”，这其实是巨大的浪费。2026 年，AI Agent 已经可以独立完成从理解需求到提交 PR 的完整工作流。本文一步步教你搭建这个流水线。

这套工作流能做什么？

想象这个场景：你在 GitHub Issue 中写下一段需求描述，然后——剩下的全部自动完成：AI 分析需求 → 生成代码 → 编写测试 → 更新文档 → 提交 PR → 甚至跑完 CI。你只需要 review 和 merge。

这不是未来，2026 年已经可以做到。

架构总览

用户提交 Issue
    ↓
Claude Code (Agent模式) 分析需求
    ↓
生成代码变更 + 单元测试 + 类型定义
    ↓
调用 GitHub API 创建 PR
    ↓
GitHub Actions CI 自动运行
    ↓
AI Code Review 补充审查意见
    ↓
用户一键 Merge

第一步：配置 Claude Code Agent

首先安装并配置 Claude Code：

npm install -g @anthropic-ai/claude-code

创建配置文件 claude-code-config.json：

{
  "mode": "agent",
  "projectContext": "./project-guide.md",
  "tools": ["read_file", "edit_file", "run_command", "github_api"],
  "maxIterations": 50,
  "approvalMode": "auto"
}

关键点：project-guide.md 是你的项目说明书，包含编码规范、架构约定、数据库设计等信息。这个文件的质量直接决定了 AI 产出的质量。

第二步：编写项目指南

project-guide.md 的示例结构：

# 项目规范

## 技术栈
- Next.js 15 (App Router)
- Prisma + PostgreSQL
- Tailwind CSS + shadcn/ui
- TypeScript (strict mode)

## 架构约定
- 业务逻辑放在 `lib/services/`
- API 路由使用 serverless handler 模式
- 数据库查询必须经过 Service 层
- 所有 public 接口都要有 Zod 校验

## 代码风格
- 优先使用 async/await 而不是 .then()
- 组件默认使用 Server Component
- Client Component 在文件末尾加 'use client'
- 错误处理统一使用 Result 模式

不要在这个文件里写废话——每一条都必须是对 AI 代码生成有约束力的规则。

第三步：GitHub Actions 触发器

创建 .github/workflows/ai-agent-pr.yml：

name: AI Agent Auto PR
on:
  issues:
    types: [labeled]

jobs:
  generate:
    if: contains(github.event.issue.labels.*.name, 'ai-generate')
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      - uses: actions/setup-node@v4
        with:
          node-version: 20
      - name: Run Claude Code Agent
        run: |
          echo "🔍 读取 Issue 内容..."
          ISSUE_BODY=$(cat <<'EOF'
          ${{ github.event.issue.body }}
          EOF
          )
          echo "$ISSUE_BODY" | claude-code agent \
            --project-config ./claude-code-config.json \
            --output-dir ./generated-changes
        env:
          ANTHROPIC_API_KEY: ${{ secrets.ANTHROPIC_API_KEY }}
          GITHUB_TOKEN: ${{ secrets.GITHUB_TOKEN }}
      - name: Create Pull Request
        uses: peter-evans/create-pull-request@v6
        with:
          commit-message: "🤖 AI Agent auto-generated: ${{ github.event.issue.title }}"
          title: "[AI-Generated] ${{ github.event.issue.title }}"
          body: |
            ## 此 PR 由 AI Agent 自动生成
            
            **关联 Issue**: #${{ github.event.issue.number }}
            
            ### 变更内容
            ${{ github.event.issue.body }}
            
            ### 审查提示
            请重点检查：
            1. 业务逻辑是否满足需求
            2. 边界情况处理是否完善
            3. 安全性和权限控制
          branch: ai-generated/${{ github.event.issue.number }}

第四步：AI Code Review 层

PR 创建后，第二层 AI 开始工作——并不是简单 approve，而是做代码审查：

name: AI Code Review
on:
  pull_request:
    types: [opened, synchronize]

jobs:
  review:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      - name: AI Review
        uses: anthropics/claude-code-review-action@v1
        with:
          github-token: ${{ secrets.GITHUB_TOKEN }}
          anthropic-key: ${{ secrets.ANTHROPIC_API_KEY }}
          review-level: "thorough"
          focus-areas: |
            - Security vulnerabilities
            - Performance bottlenecks
            - Type safety
            - Edge cases

AI Review 会在 PR 上以评论形式贴出审查结果，标记问题所在行，并给出修复建议。

实战案例：自动生成用户管理功能

我在一个真实项目中测试了这套流程。在 Issue 中写：

为管理后台添加用户批量导入功能：支持 CSV 上传，自动创建用户并发送欢迎邮件。需包含：上传页面、解析验证逻辑、批量创建 API、邮件队列。参考现有 lib/services/user.ts 的写法。

打上 ai-generate 标签后，26 分钟后 AI 生成了完整 PR：

• 新增 3 个文件（上传组件、CSV 解析器、批量创建服务）
• 修改 2 个文件（路由和类型定义）
• 包含 12 个单元测试
• 测试覆盖率达到 91%

人工 review 发现两个小问题（错误提示文案不精确、CSV 列名未做 trim），修改后合并。整体节省了约 4 小时的开发时间。

常见坑点

1. 项目指南写太抽象：不要写”代码要优雅”，要写”使用 Result 模式处理错误”
2. 一次给太多需求：一个 Issue 只做一件事，AI 在处理多任务时容易遗漏
3. 跳过 review：AI 生成的代码整体质量可靠，但边界条件和安全细节仍需人工核查
4. 忽略项目指南更新：代码规范迭代后要及时更新 project-guide.md

总结

这套工作流的核心思想是：把 AI 当成能独立工作的 junior developer，你来做 senior review。配置得当的情况下，AI 完成 80% 的编码工作、人工完成 20% 的质量把控，是 2026 年单人作战效率最高的开发方式。