ai-dev-tasks
AI Dev Tasks 是一个帮助开发者更高效管理 AI 辅助开发流程的工具。它通过结构化的任务清单,将复杂的功能开发拆解为可执行的小步骤,让 AI 助手能一步步完成任务,而不是面对模糊的大规模请求。这解决了传统 AI 开发中缺乏清晰指引、难以控制进度和验证结果的问题。适合开发者和研究人员使用,尤其适合需要与 AI 编程助手协作进行代码开发的场景。工具的核心亮点是提供了一系列 Markdown 模板,支持多种 AI 编程工具,帮助用户系统化地规划、执行和验证代码实现。
使用场景
一个小型软件开发团队正在为一个电商平台开发一个新的“用户行为分析”模块,需要整合多个数据源并生成可视化报告。团队成员对AI编码助手的使用经验不一,导致协作效率低下。
没有 ai-dev-tasks 时
- 团队成员各自直接向AI助手提出模糊的需求,如“帮我写个分析模块”,导致输出结果不一致且难以调试
- 缺乏统一的流程,部分任务被重复执行或遗漏,影响开发进度
- 难以追踪AI生成代码的逻辑,出现问题时难以快速定位和修复
- 新成员上手困难,需要大量时间理解已有代码结构和功能
使用 ai-dev-tasks 后
- 通过PRD文档明确需求,确保所有成员对功能目标达成一致
- 自动生成详细任务列表,避免遗漏关键步骤,提升任务可追踪性
- AI按任务逐步执行,每一步都可审查,提高代码质量和可维护性
- 新成员能快速理解开发流程,降低学习成本,提升整体协作效率
ai-dev-tasks 通过结构化流程和任务分解,显著提升了AI辅助开发的可控性和效率。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明

快速开始
AI 开发任务
欢迎来到 AI Dev Tasks!这个仓库提供了一系列 Markdown 文件,旨在通过 AI 驱动的 IDE 和 CLI 来加速你的功能开发流程。这些工具可以与任何 AI 编码助手配合使用,包括 Amp(https://ampcode.com)、Claude Code、Windsurf 等。借助这些结构化的提示模板,你可以系统地推进功能开发,从构思到实现,并内置检查点以确保代码质量。
别再为庞大的单次 AI 请求头疼了,现在就一步步引导你的 AI 合作伙伴吧!
核心理念
使用 AI 构建复杂功能时,过程有时会显得像一个黑箱。本工作流通过以下方式为开发过程带来结构化、清晰性和可控性:
- 明确范围: 通过产品需求文档(PRD)清晰地定义需要构建的内容。
- 详细规划: 将 PRD 拆解为细粒度、可执行的任务列表。
- 迭代实现: 引导 AI 逐个完成任务,让你在每一步都能审查并确认更改。
这种结构化的方法有助于确保 AI 按照既定方向推进,简化问题排查,并增强你对生成代码的信心。
工作流程:从想法到功能实现
以下是使用本仓库中 .md 文件的逐步流程:
1. 创建产品需求文档(PRD)
首先,为你的功能绘制蓝图。PRD 需要明确你要构建什么、为谁构建以及为什么构建。
你可以在所选的 AI 工具中直接创建一份轻量级的 PRD:
确保已获取本仓库中的
create-prd.md文件。在 AI 工具中发起 PRD 的创建:
使用 @create-prd.md 我想构建的功能是:[详细描述你的功能] 可参考以下文件来帮助你:[可选:@file1.py @file2.ts]
2. 从 PRD 生成任务列表
在起草好 PRD(例如 MyFeature-PRD.md)后,下一步是为你的 AI 开发者生成详细的分步实施计划。
确保已获取
generate-tasks.md文件。在 AI 工具中,使用 PRD 生成任务:
现在请使用 @MyFeature-PRD.md,并结合 @generate-tasks.md 来创建任务。(注意:将
@MyFeature-PRD.md替换为你在步骤 1 中生成的实际 PRD 文件名。)
3. 审查任务列表
此时,你将得到一个结构清晰的任务列表,通常包含主任务和子任务,可供 AI 开始执行。这为实现提供了明确的路线图。

4. 指示 AI 按顺序完成任务(并标记完成状态)
为了确保有条不紊地推进并允许验证,指示 AI 按照任务列表逐个子任务进行处理。
在 AI 工具中,告诉 AI 从第一个任务开始(例如
1.1):请先开始处理生成的任务列表中的 1.1 号任务。AI 会尝试完成该任务,随后会提示你进行审查。

5. 继续推进
AI 将继续按照任务列表依次完成剩余的任务。

尽管结果并不总是完美,但这种方法已被证明是在 AI 辅助下构建大型功能的可靠途径。
视频演示
如果你想亲眼见证这一过程,我曾在 Claire Vo 的“如何用 AI”播客中进行了演示:观看视频。
本仓库中的文件
create-prd.md:指导 AI 为你的功能生成产品需求文档。generate-tasks.md:以 PRD Markdown 文件作为输入,帮助 AI 将其拆解为详细的分步实施任务列表。
优势
- 结构化开发: 强制执行从想法到代码的清晰流程。
- 分步验证: 允许你在每个小步骤中审查并批准 AI 生成的代码,从而确保质量和控制。
- 管理复杂性: 将大型功能分解为更小、更易理解的任务,降低 AI 迷失方向或生成过于复杂、错误代码的风险。
- 提升可靠性: 相较于单一的大规模提示,这种方法为利用 AI 完成重要开发工作提供了更可靠的方式。
- 清晰的进度跟踪: 提供已完成任务的可视化表示,便于查看已完成的工作及接下来的计划。
使用方法
- 克隆或下载: 将这些
.md文件放入你的项目或 AI 工具能够访问的中央位置。git clone https://github.com/snarktank/ai-dev-tasks.git - 遵循工作流程: 按照上述工作流程,在你的 AI 助手中系统使用这些
.md文件。 - 调整与迭代:
- 你可以根据自身需求或编码风格修改
.md文件中的提示内容。 - 如果 AI 在某个任务上遇到困难,可以尝试重新措辞初始功能描述,或将任务进一步细分。
- 你可以根据自身需求或编码风格修改
成功技巧
- 尽量具体: 你提供的上下文和清晰指令越多(无论是初始功能描述还是后续澄清),AI 的输出效果就越好。
- 准确标记文件: 在生成任务时,务必正确标记 PRD 文件名(例如
@MyFeature-PRD.md)。 - 耐心与迭代: AI 是强大的工具,但并非万能。你需要准备好引导、纠正并反复迭代。本工作流正是为此设计,使迭代过程更加顺畅。
贡献
你是否有改进这些 .md 文件的想法,或者有符合此工作流的新文件?欢迎贡献!
请随时:
- 打开议题讨论更改或提出新功能建议。
- 提交拉取请求,分享你的改进成果。
祝你 AI 辅助开发愉快!
常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。
OpenHands
OpenHands 是一个专注于 AI 驱动开发的开源平台,旨在让智能体(Agent)像人类开发者一样理解、编写和调试代码。它解决了传统编程中重复性劳动多、环境配置复杂以及人机协作效率低等痛点,通过自动化流程显著提升开发速度。 无论是希望提升编码效率的软件工程师、探索智能体技术的研究人员,还是需要快速原型验证的技术团队,都能从中受益。OpenHands 提供了灵活多样的使用方式:既可以通过命令行(CLI)或本地图形界面在个人电脑上轻松上手,体验类似 Devin 的流畅交互;也能利用其强大的 Python SDK 自定义智能体逻辑,甚至在云端大规模部署上千个智能体并行工作。 其核心技术亮点在于模块化的软件智能体 SDK,这不仅构成了平台的引擎,还支持高度可组合的开发模式。此外,OpenHands 在 SWE-bench 基准测试中取得了 77.6% 的优异成绩,证明了其解决真实世界软件工程问题的能力。平台还具备完善的企业级功能,支持与 Slack、Jira 等工具集成,并提供细粒度的权限管理,适合从个人开发者到大型企业的各类用户场景。
