代码编程之前，先进行一轮文档编程。由 Claude Code 完成所有 AI 任务的拆分和编排，再交给 GitHub Copilot 一气呵成，agent 疯狂跑了 8 个多小时，token 消耗才 0.3%，充分利用了 Copilot 按请求次数收费的机制。感觉永远用不完，😅 这套执行流程（图三）陆陆续续打磨了一个多月。整体设计为主从式 agent 结构，主 agent 负责决策与任务分发（Coordinator），多个从 agent（Explore / Review / Repair / Experience）负责执行、修复与经验沉淀。过程管理采用 TASKS.md（管任务）+ CURSOR.md（管进度），确保每个步骤执行到位，全程 AI 自主完成。 执行效果基本符合预期（图一）。每轮任务完成后会触发 2～3 轮 code review，将问题逐步收敛并修复。最终产出的代码质量较稳定，没有明显缺陷，还额外覆盖了一些性能优化场景。 目前最大的问题是，耗时太长了（图二）。整个过程花费了 8 个多小时。分析了整个执行过程的耗时分布，agent 真正写代码执行只占 48.7%，其余 51.3% 都花在 review、fix、recheck、accept、phase 任务上，后置的质量闭环占了大头。 这就是利用 subagent 做复杂 context engineering 的必然代价。每个 phase 结束后，agent 都需要重建上下文，重新加载代码、review 结果与规范，同时同步任务卡与状态文档，才能进入下一阶段，context 切换成本非常高。 要做到效率真正提升，目前有两条路径，一是压缩 agent 执行链路，将文档驱动的流程逐步固化为可复用的代码逻辑；二是优化 context 切换的效率，通过增量更新、差异加载与状态缓存等方式减少重复计算。不过，再往下优化，边际收益就不高了。