本文探讨了在处理大型、成熟代码库时，如何通过将大语言模型（LLM）视为一种“性能较差的通用计算机”来提升 AI 代理（Agents）的工作效率。作者 Mario Zechner 指出，当前的“代理工程”往往缺乏工程严谨性，开发者通常只是向 AI 投喂信息并祈祷结果正确。在大型项目中，LLM 面临上下文缺失、缺乏审美（倾向于生成过度设计的代码）以及上下文降级（超过 100k token 后性能下降）等痛点。

为了解决这些问题，作者提出了一套方法论：提示词（Prompts）即代码，.json/.md 文件即状态。在这种模型下，“程序”是用自然语言编写的提示词，它定义了逻辑和控制流；“输入”是代码库文档和用户指令；“状态”则序列化存储在磁盘上的 JSON 或 Markdown 文件中，而非仅仅依赖不稳定的模型上下文。这种方式实现了工作流的可重现性和确定性。

文章以将 Spine 动画运行时从 Java 移植到 C++ 的真实案例展示了这一方法的威力。通过预先生成的 porting-plan.json 跟踪进度，并使用 port.md 作为执行脚本，作者引导 Claude Code 按照严格的步骤（查找待处理类型、打开相关文件、人工确认、执行移植、编译测试、更新状态）进行操作。这种结构化的方法将原本需要 2-3 周的人工移植工作缩短到了 2-3 天。作者强调，这种思维转变将 AI 辅助编程从一种随机的尝试转变为一种可控的工程学科。