PDCA Workflow

PDCA 工作流

Plan → Do → Check → Act 闭环，每次编码任务都会运行。这是防止"AI 修了 bug X 却搞坏了功能 Y"的核心机制。

---

概述

PDCA（Plan-Do-Check-Act）是一个四阶段质量管理循环，针对 AI 辅助编码进行了适配。ai-coding-ok 在每次任务前、中、后强制执行这个循环。

graph LR
    P[Plan 规划<br/>读取记忆<br/>理解上下文] --> D[Do 执行<br/>写代码<br/>写测试]
    D --> C[Check 检查<br/>运行测试<br/>验证无回归]
    C --> A[Act 记录<br/>更新记忆<br/>关闭循环]
    A -.->|下一个任务| P

Loading

---

四个阶段

阶段 1：Plan（规划）——编码前

触发条件： 安装了 ai-coding-ok 的项目中的任何开发任务。

执行内容： AI 按顺序读取 7 个文件：

#	文件	提供什么
1	AGENTS.md	架构速查、项目概述
2	.github/agent/system-prompt.md	Agent 角色、行为边界
3	.github/agent/workflows.md	场景工作流（功能/修复/重构/发布）
4	.github/agent/coding-standards.md	编码规范
5	.github/agent/memory/project-memory.md	长期项目事实与约束
6	.github/agent/memory/decisions-log.md	历史技术决策（ADR）
7	.github/agent/memory/task-history.md	近期任务上下文（最近 30 条）

耗时： 约 30 秒。三个记忆文件合计通常 <10KB。

产出： AI 拥有完整上下文——知道架构、约束、历史决策和近期变更。

阶段 2：Do（执行）——写代码

执行内容：

• 编写实现代码
• 同步编写测试
• 遵守 coding-standards.md 中的编码规范
• 遵守 workflows.md 中的场景工作流
• 对照 project-memory.md 中的约束自检

阶段 3：Check（检查）——验证

执行内容：

• 运行测试套件
• 验证无关联功能回归
• 检查安全约束
• 确认变更符合计划

阶段 4：Act（记录）——更新记忆

⚠️ 这是大多数工具缺失的阶段——也是 ai-coding-ok 存在的理由。

文件	更新条件	频率
task-history.md	始终——每个任务一条记录	每次任务
decisions-log.md	架构/技术决策有变化	架构变更时
project-memory.md	项目事实有变化（新模块、新依赖等）	很少
Agent 文档	内容过时	当内容陈旧时

每条任务历史记录格式：

### [TASK-XXX] 简要标题
- **日期**：YYYY-MM-DD
- **类型**：feat / fix / refactor / chore
- **摘要**：做了什么以及为什么
- **变更文件**：关键修改文件
- **注意事项**：后续会话需要知道的重要信息

---

为什么 Act 是关键阶段

没有 Act 阶段，你的记忆文件就是一个会腐烂的快照：

迭代次数	没有 Act	有 Act
1	记忆准确（刚安装）	记忆准确
5	记忆过时（3 个功能未记录）	记忆反映 5 个任务的上下文
20	记忆无用（架构已变，记忆说旧东西）	记忆有 20 条累积上下文
50	AI 基于错误信息做决策	AI 读取 50 条准确历史

Act 阶段将记忆从快照变成活记录。

---

强制执行机制

ai-coding-ok 使用五层防御体系确保 PDCA 永不跳过：

层级	机制	平台
1	CLAUDE.md STOP 指令	Claude Code
2	AGENTS.md Plan 7 步强制要求	全平台
3	copilot-instructions.md 强制输出章节	全平台
4	.claude/settings.local.json hooks（Stop hook exit 2）	Claude Code
5	安装时自动配置	Claude Code

---

实战示例：一个功能的完整轨迹

任务："添加商品搜索接口"

Plan（规划）：
  → 读取 project-memory.md："FastAPI + SQLite，商品表在 products.py"
  → 读取 decisions-log.md："ADR-003：用 SQLite FTS5 做全文搜索"
  → 读取 task-history.md："TASK-012：上周新增了商品表"
  → AI 现在知道：用 FTS5，不建新表，在 test_products.py 中写测试

Do（执行）：
  → 在 api/products.py 中添加搜索接口
  → 在 tests/test_products.py 中添加测试
  → 遵守 coding-standards.md（类型注解、文档字符串、pytest 夹具）

Check（检查）：
  → 运行 pytest：47 通过，0 失败
  → 现有商品接口无回归
  → 空查询返回 400（已处理）

Act（记录）：
  → task-history.md：[TASK-013] 添加商品搜索接口
  → （无架构变化，decisions-log.md 和 project-memory.md 不更新）
  → 输出包含"## 记忆更新"章节确认更新

---

PDCA 与其他方法的对比

方法	Plan	Do	Check	Act
随意的 AI 编码	❌ 跳过	✅ 编码	⚠️ 可能	❌ 跳过
TDD	⚠️ 隐式	✅ 编码+测试	✅ 测试	❌ 跳过
superpowers	✅ 头脑风暴	✅ 执行	✅ 审查	❌ 跳过
ai-coding-ok	✅ 读 7 个文件	✅ 编码+测试	✅ 验证	✅ 写记忆

ai-coding-ok 是唯一通过 Act 关闭循环的方法——将记忆写回，让下一次会话继承全部上下文。

---

下一步

• 三层记忆系统 — 深入了解记忆文件
• 四种模式 — Mode B/C 如何构成 PDCA 循环
• 日常开发流程 — 日常使用中的 PDCA