本文介绍 Atomic 团队提出的编码 agent 工作流概念：将软件开发流程定义为可执行的显式路径，用 TypeScript 表达，包含输入与成功标准、有边界的阶段与工具、可检视的移交、相关检查、审查批准点、停止与恢复条件六大要素。文章对比了一次性提示与结构化工作流的适用场景，说明 agentic coding 与 agentic engineering 的区别，并介绍工作流如何在运行时物化为可检视的 DAG，以及功能交付、缺陷排查、迁移、发布准备等常见工作流形态，强调可验证性与人工控制的重要性。
本文是 pstack 指南第二部分，介绍作者用 agent 进行调研、规划、原型和架构的工作流。核心观点是通过 /teach、/recall、/how、/why 等 skill 建立并保持对代码库的心智模型；用「readme 驱动开发」和 /technical-writing skill 以代码和文档形式规划；用 prototype 剧本并行生成多个方案让 agent 以实证回答开放问题；用 /architect 多阶段流程跨模型家族竞争设计并交叉评判。作者强调抽象计划只给人进步的幻觉，应让 agent 通过原型和验证自己回答问题，从而每月将数千个 PR 推进生产并保持高质量。
本文由 Automattic 工程师 Elijah Potter 撰写，探讨 AI coding agent 在写代码之外的实际用途。作者分享了三个工作流用例：修复 PR 的 merge conflict、查找与分支相关的 issue、诊断并修复 GitHub Actions 失败，并附上其在 pi 中使用的 prompt 模板。作者强调这些 prompt 仅作灵感，鼓励读者根据自身工作流灵活调整，将重复性、低认知负荷的任务交给 agent 处理。
文章总结了 Pi 社区关于多 Agent 与单 Agent 使用的实战经验。单 Agent 适合简单和密集上下文任务，多 Agent 适合可拆分的大任务，但需承担上下文转移、重复工作、验证和编排成本。作者还介绍了 pi-workflow 工具，通过 JSON 规范标准化多 Agent 工作流。
