开发者探讨利用提示词工程实现DeepSeek长时间自主执行任务

背景

在当前的 AI 辅助开发（AI-Assisted Development）实践中，开发者越来越倾向于利用大语言模型（LLM）来承担复杂的代码生成、逆向工程或系统调试任务。然而，一个普遍存在的痛点是：尽管用户提供了详尽的任务描述和逻辑框架，AI 助手往往无法保持长时间的“自主执行”状态。

本文基于 LINUX DO 社区的一次技术讨论，聚焦于开发者在使用 Claude Code 结合 DeepSeek 模型进行逆向工程或软件开发时遇到的中断问题。用户反馈显示，即使构建了复杂的决策树，AI 仍会在执行一段时间后主动暂停并寻求人类确认，而非持续完成任务。这一现象揭示了当前 AI 代理（Agent）在长程任务规划与执行稳定性方面的局限性。

核心内容

该讨论的核心围绕着一个具体的技术场景展开：开发者希望利用 AI 进行长时间、高自主性的代码逆向或开发工作。

1. 技术栈与工具：

   • 模型：DeepSeek。
   • 执行环境/工具：Claude Code（Anthropic 推出的代码代理工具）。
   • 任务类型：逆向工程（Reverse Engineering）或软件开发。

2. 用户尝试的解决方案：

   • 用户试图通过编写“任务和结果对应的决策树”来引导 AI。这意味着用户不仅给出了最终目标，还预设了中间步骤、分支判断逻辑以及相应的执行路径，旨在让 AI 像执行程序一样自动推进。

3. 遇到的问题：

   • 尽管有明确的决策树引导，AI 在运行一段时间后仍会停止执行。
   • AI 的行为模式表现为“主动询问”：它会停下来询问用户是否继续，或者等待用户查看当前结果。
   • 用户怀疑这是否是提示词（Prompt）设计的问题，即当前的指令不足以维持 AI 的自主性。

4. 社区探讨焦点：

   • 讨论参与者（9 个帖子，7 位参与者）共同分析了这一现象。虽然原文未提供具体的解决方案代码，但核心矛盾在于：现有的提示词工程或工具配置未能有效抑制 AI 的“交互本能”或“安全机制”，导致其在长任务中频繁触发人工确认环节，破坏了自动化流程的连续性。

关键要点

• 自主执行的中断现象：即使提供了结构化的决策树，AI 助手（在 Claude Code 环境中调用 DeepSeek）仍会在长任务中主动暂停，要求人工介入，无法实现真正的“无人值守”长时间运行。
• 提示词工程的局限性：用户当前的提示词策略（任务+决策树）未能解决 AI 的“过度谨慎”或“交互偏好”问题。这表明仅靠逻辑分支定义可能不足以覆盖 AI 在长上下文中的行为控制。
• 工具链的交互机制：Claude Code 作为执行代理，其默认行为可能包含安全确认或进度汇报机制。当任务复杂度增加或上下文窗口接近限制时，AI 可能倾向于通过提问来“刷新”注意力或规避错误风险。
• 逆向工程/开发的特殊性：此类任务通常涉及大量代码分析和多步推理，对 AI 的上下文记忆和状态保持能力要求极高。当前的 AI 代理在处理此类长程任务时，稳定性仍显不足。
• 社区共识方向：讨论暗示需要更精细的提示词控制（如明确禁止不必要的确认、设定最大执行步数、或采用分段执行策略），或者需要调整 Claude Code 的配置以允许更高程度的自动化。

意义与影响

1. 对 AI 代理实用性的挑战： 该案例反映了当前 AI 代码代理（Code Agents）从“辅助工具”向“自主员工”演进过程中的关键瓶颈。如果 AI 无法在长任务中保持连贯执行，其效率优势将大打折扣，开发者仍需频繁介入，导致“人机协作”退化为“人机轮替”。

2. 提示词工程的新维度： 传统的提示词设计侧重于单次任务的准确性，而此案例凸显了“长程行为控制”的重要性。未来的提示词工程需要包含对 AI 交互频率、暂停条件、错误处理策略的明确约束，而不仅仅是任务逻辑。

3. 工具链优化的方向： 对于 Claude Code 等代理工具而言，开发者需要关注其配置选项，如是否支持“静默模式”、“最大重试次数”或“自动确认机制”。同时，这也促使模型提供商（如 Anthropic、DeepSeek）优化其模型在长上下文中的稳定性，减少因上下文漂移或注意力分散导致的非预期中断。

4. 对开发工作流的启示： 在进行复杂的逆向工程或大型项目开发时，完全依赖单一 AI 会话进行长时间自主执行目前仍不现实。开发者可能需要采用“分而治之”的策略，将大任务拆解为多个短周期、高确定性的子任务，或通过脚本化方式控制 AI 的执行节奏，以规避自主执行中的中断风险。