Agentic execution：让 AI 把任务做闭环

Page card

Part：Part 2 / 执行闭环
适用角色：开发、QA
使用场景：PR、CI、冲突解决、文档更新、跨工具操作
输出物：执行结果、验证结果和后续状态

Back to AI Workflow Sharing。相邻主题：Minimum viable change · AI-assisted review · Knowledge capture · Workflow design

Summary

重点：AI workflow 的价值在闭环，不在生成 checklist。
对于可执行任务，AI 应该推进到本地验证、远端验证、PR 状态确认和文档更新，而不是只给步骤。

适用场景

PR 创建
冲突解决
CI 观察
环境配置
文档更新
GitHub / Notion / Linear 操作

工作方式

让 AI 执行任务，而不是只生成步骤：checkout、改代码、跑验证、push、看 checks、更新 PR。
中间状态持续汇报：当前在查什么、发现什么、下一步验证什么。
远端状态也要跟完：mergeable、checks、deploy、PR description。
失败时继续判断是依赖、权限、网络、配置还是代码问题。
最终回复要包含 outcome、verification 和 remaining risk。

闭环执行模板

Task:
Local state:
Change made:
Local verification:
Remote verification:
Remaining risk:
Next owner/action:

可分享案例

PR 冲突解决后 git push，并确认远端 mergeable。
GitHub Actions token 修复后观察 rerun，确认是否可合并。
Notion 页面更新后 fetch 验证内容已写入。

可复用规则

用户要的是可判断的结果，不是“已经开始跑了”。

用户说 create PR，默认包含 branch、commit、push、PR 创建和基础验证。
用户说解决冲突，默认处理到远端 PR 状态可判断。
工具执行失败时，不直接停止；先判断是否是权限、依赖或环境问题。
GitHub 操作优先使用 gh CLI，例如 gh pr view、gh pr checks、gh run view --log。

References

AI Agents in CI/CD Pipelines: From GitHub Issue to Production Deploy — 讨论 agent 如何从 issue、PR、CI 事件推进到部署流程，适合支撑“agentic execution 要闭环”。
CI/CD for Evals: Running Prompt & Agent Regression Tests in GitHub Actions — 展示如何把 prompt/agent 回归测试纳入 CI，适合连接 agent execution 和 verification。
Harnesses in AI: A Deep Dive — Tejas Kumar, IBM — browser agent demo 中的 verify step、guardrails、tool loop 很适合作为“执行闭环”的可视化案例。
Building Enterprise-Ready AI Agents with Guardrails and Human-in-the-Loop Controls — 适合说明 agentic execution 需要权限、审批、risk threshold，而不是无限自主执行。