如何用Zeroshot实现AI自主编码？executor-verifier循环全解析

【免费下载链接】zeroshotYour autonomous engineering team in a CLI. The agent loop produces senior-level code that you can actually trust in prod because of non-negotiable feedback from independent reviewers. Supports Claude Code, OpenAI Codex, OpenCode, and Gemini CLI with trivial setup.项目地址: https://gitcode.com/gh_mirrors/ze/zeroshot

在AI编程工具日益普及的今天，如何确保AI生成的代码质量可靠、安全可用？Zeroshot提供了一个革命性的解决方案：executor-verifier循环机制。这个多智能体协作框架将代码编写者与代码验证者分离，通过独立的验证循环确保生产级代码质量。本文将深入解析Zeroshot的核心机制，帮助开发者理解如何利用这一工具实现真正可靠的AI自主编码。

什么是Zeroshot的executor-verifier循环？

Zeroshot是一个开源的多智能体编排引擎，其核心创新在于executor-verifier循环。与传统AI编程助手不同，Zeroshot将代码编写过程分为两个独立角色：

1. 执行者（Executor）- 负责编写代码实现功能
2. 验证者（Verifier）- 独立审查代码质量，不查看编写过程

这个循环的核心原则是："编写代码的智能体不应该成为判断代码是否有效的智能体"。通过这种分离，Zeroshot确保了代码审查的客观性和可靠性。

executor-verifier循环的工作流程

1. 任务分类与分配

当接收到新任务时，Zeroshot首先通过**任务分类器（Conductor）**进行分析。分类器基于两个维度评估任务：

• 复杂度（Complexity）：从TRIVIAL到CRITICAL四个等级
• 任务类型（TaskType）：INQUIRY（查询）、TASK（实现）、DEBUG（调试）

分类器位于cluster-templates/conductor-bootstrap.json，根据任务特征选择合适的执行模板。例如，简单的SIMPLE任务使用worker-validator模板，而复杂的CRITICAL任务可能需要多个验证者。

2. 执行阶段：智能体编写代码

执行者智能体根据任务要求编写代码。在Zeroshot中，执行者配置在cluster-templates/base-templates/worker-validator.json中定义：

{ "id": "worker", "role": "implementation", "modelLevel": "{{worker_level}}", "prompt": { "system": "## 🚫 YOU CANNOT ASK QUESTIONS\n\nYou are running non-interactively..." } }

执行者完成工作后，会发布IMPLEMENTATION_READY消息到消息总线，触发验证流程。

3. 验证阶段：独立审查

验证者智能体完全独立于执行者，它看不到执行者的思考过程或中间步骤。验证者的配置同样在worker-validator模板中定义：

{ "id": "validator", "role": "validator", "modelLevel": "{{validator_level}}", "prompt": { "system": "## 🔴 VERIFICATION PROTOCOL (REQUIRED - PREVENTS FALSE CLAIMS)..." } }

验证者遵循严格的验证协议：

• 首先搜索所有相关文件
• 仔细阅读实际实现代码
• 使用Grep查找特定模式
• 只有在确认问题存在后才报告错误

4. 循环迭代：持续改进

验证结果分为两种：

• APPROVED- 代码通过验证，任务完成
• REJECTED- 发现问题，返回具体错误列表

如果被拒绝，执行者会收到详细的错误反馈，修复问题后重新提交。这个循环会持续进行，直到代码通过验证或达到最大迭代次数。

Zeroshot的核心架构组件

消息总线与SQLite账本

Zeroshot使用基于SQLite的持久化消息总线来协调智能体间的通信。所有消息都存储在~/.zeroshot/<id>.db中，确保状态持久化和崩溃恢复能力。

核心消息类型包括：

• ISSUE_OPENED- 任务开始
• IMPLEMENTATION_READY- 执行完成
• VALIDATION_RESULT- 验证结果
• CLUSTER_COMPLETE- 集群完成

逻辑引擎与触发器系统

src/logic-engine.js提供了JavaScript沙箱环境，智能体可以编写复杂的触发逻辑。例如：

// 验证者只在执行者完成后触发 { "topic": "IMPLEMENTATION_READY", "action": "execute_task" } // 执行者在验证失败后重新触发 { "topic": "VALIDATION_RESULT", "logic": { "engine": "javascript", "script": "return message.content?.data?.approved === false;" }, "action": "execute_task" }

智能体包装器与生命周期管理

src/agent-wrapper.js管理智能体的完整生命周期：

• 状态机（空闲 → 评估 → 构建上下文 → 执行 → 空闲）
• 触发器评估
• 上下文构建
• 任务执行与监控

实战应用：配置executor-verifier工作流

基本配置示例

要创建一个简单的executor-verifier工作流，可以基于worker-validator模板：

# 运行简单任务 zeroshot run "添加用户认证中间件" --worktree # 运行复杂任务（自动选择更多验证者） zeroshot run "重构支付系统" --pr # 在Docker中运行（完全隔离） zeroshot run "安全审计" --docker

自定义智能体配置

在src/providers/目录中，可以配置不同的AI提供商：

• Claude Code (claude)
• OpenAI Codex (codex)
• Gemini CLI (gemini)
• OpenCode (opencode)

每个提供商支持不同的模型级别：

• level1- 基础模型（快速、经济）
• level2- 标准模型（平衡性能）
• level3- 高级模型（最高质量）

隔离模式选择

Zeroshot提供三种隔离级别：

executor-verifier循环的优势

1. 客观的代码质量保证

验证者看不到执行者的思考过程，避免了"自我验证"的偏见。这种独立性确保了代码审查的客观性。

2. 可重现的失败反馈

当验证失败时，验证者必须提供具体的、可重现的错误信息。这避免了模糊的反馈，帮助执行者快速定位问题。

3. 渐进式改进

循环机制允许代码在多次迭代中逐步改进。每次拒绝都带来具体的改进方向，最终产生高质量的代码。

4. 崩溃安全的设计

所有状态都持久化到SQLite账本中，即使进程崩溃或系统重启，也可以使用zeroshot resume <id>命令恢复运行。

最佳实践与注意事项

1. 明确的任务定义

Zeroshot最适合具有明确验收标准的任务。模糊的需求会导致验证困难。例如：

✅ 明确任务："实现基于JWT的用户认证，包含刷新令牌机制" ❌ 模糊任务："让应用更快"

2. 合理的迭代限制

在cluster-templates/base-templates/worker-validator.json中设置适当的max_iterations参数，避免无限循环。

3. 模型级别匹配

根据任务复杂度选择合适的模型级别：

• SIMPLE任务：执行者level2 + 验证者level3
• STANDARD任务：可能需要多个验证者
• CRITICAL任务：高级模型 + 多个验证者

4. 利用质量门控

在--pr或--ship流程中，Zeroshot使用质量门控确保所有配置的检查都通过后才能继续。这包括代码风格、测试通过率等要求。

常见问题解答

Q: executor-verifier循环会增加多少时间成本？

A: 虽然增加了验证步骤，但减少了人工审查和修复的时间。对于复杂任务，总时间通常更少，因为早期发现问题避免了后续的重大重构。

Q: 验证者会漏掉错误吗？

A: 验证者使用系统化的验证协议，包括文件搜索、代码阅读和模式匹配。虽然不能保证100%完美，但比单一智能体的自我验证更可靠。

Q: 如何自定义验证标准？

A: 可以修改验证者的提示词系统消息，或创建自定义的验证者智能体配置。所有配置都在JSON文件中，易于调整。

Q: Zeroshot支持哪些AI提供商？

A: 目前支持Claude Code、OpenAI Codex、Gemini CLI和OpenCode。每个提供商都有对应的适配器在src/agent-cli-provider/adapters/目录中。

总结

Zeroshot的executor-verifier循环代表了AI辅助编程的新范式。通过将代码编写与验证分离，它解决了AI生成代码的信任问题。这种机制不仅提高了代码质量，还提供了可重现的验证过程，使得AI生成的代码真正适合生产环境。

无论是简单的功能添加还是复杂的安全重构，Zeroshot都能通过智能的循环机制确保代码质量。随着AI编程工具的普及，这种分离关注点的架构将成为确保代码可靠性的关键模式。

要开始使用Zeroshot，只需安装并运行：

npm install -g @the-open-engine/zeroshot zeroshot run "你的第一个任务"

体验真正的AI自主编码，让executor-verifier循环为你把关代码质量！🚀

【免费下载链接】zeroshotYour autonomous engineering team in a CLI. The agent loop produces senior-level code that you can actually trust in prod because of non-negotiable feedback from independent reviewers. Supports Claude Code, OpenAI Codex, OpenCode, and Gemini CLI with trivial setup.项目地址: https://gitcode.com/gh_mirrors/ze/zeroshot