来源笔记
ZORO: Active Rules for Reliable Vibe Coding
Code IntelligenceHuman AI InteractionSoftware Foundation ModelAutomated Software ProductionMulti Agent Software Engineering
摘要
Zoro 将 AGENTS.md 这类规则文件从被动文本变成 AI 辅助编码中的主动控制。它把规则绑定到计划步骤上，在必要规则被证明已遵守之前阻止进展，并让用户根据具体失败修改规则。
问题
- 在 vibe coding 中，规则文件很常见，但随着会话推进，代理往往不再遵守，因为规则只作为静态上下文加载。
- 开发者很难看出哪些规则被应用了、是否被遵守，以及如何改进薄弱或过时的规则。
- 这很重要，因为团队用这些规则来约束架构、工作流、UI 和安全要求；如果代理跳过这些规则，开发者就得手动检查、纠正并反复下达指令。
方法
- Zoro 在现有编码代理之上增加了一个 Enrich-Enforce-Evolve 工作流，适用于 Codex、Claude Code、Cline 和 Cursor 等工具。
- Enrich： 在代理生成初始计划后，Zoro 将规则匹配到具体的计划步骤，并且可以拆分或改写步骤，把规则放到真正相关的位置。
- Enforce： 在执行过程中，代理必须调用 Zoro CLI 命令来标记步骤进度，并提交证明，说明每条必需规则都已遵守；对于可测试的规则，它还必须在继续之前提供单元测试。
- Evolve： 用户在界面中查看规则证据，在规则应用不佳时添加现场备注，Zoro 再借助 LLM 汇总这些备注，改进规则集。
- 该系统通过
ZORO.md指令文件和共享的.zoro目录实现与代理无关，目录中保存已增强的计划、规则元数据、证据和用户备注。
结果
- 论文报告称，与标准 vibe coding 相比，Zoro 的规则遵守率提高了 57%。
- 技术评估覆盖 36 次 vibe coding 会话，并指出与标准编码代理相比，Zoro 在提高规则遵守的同时保持了完成功能的能力。
- 用户研究包含 12 名参与者，结果显示人们控制代理的方式发生了变化：用户从提示工程转向规则工程。
- 前期设计工作包括 10 次程序员访谈，以及对 3 名程序员 的观察，每次会话持续 2-3 小时。
- 这段摘录没有给出指标定义、数据集名称、方差，或除 57% 相对提升之外的精确基线分数。