AI 驅動的 Idea-to-Ticket 工作流程
AI 驅動的 Idea-to-Ticket 工作流程
Section titled “AI 驅動的 Idea-to-Ticket 工作流程”Version: 2026 年 10 月 18 日
呢一頁喺成個系列入面嘅位置
Section titled “呢一頁喺成個系列入面嘅位置”呢篇係我 AI development workflow 系列嘅 第四篇文章。
閱讀次序係:
01. Multi-Agent AI Development Workflow ↓02. Automated Multi-Agent Coding Workflow ↓03. AI Coding Agent Role Design ↓04. AI 驅動的 Idea-to-Ticket 工作流程 ← 本篇閱讀次序同實際執行時嘅 workflow係刻意分開嘅。
頭三篇先建立 Multi-Agent development 嘅基本模型、將 coding pipeline 自動化,並解釋點解唔同 AI agent 會被分配唔同角色。
而呢一篇就將成個系統向 上游(upstream) 延伸,問一個唔同嘅問題:
喺一張 GitHub Issue 真正進入 coding workflow 之前,AI 可唔可以先幫我捕捉、整理、評估,甚至寫好張 ticket?
喺實際 runtime 入面,兩套 workflow 嘅關係係:
Idea / Research / Bug ↓AI Idea-to-Ticket Workflow ← 本篇 ↓Approved GitHub Issue ↓Automated Multi-Agent Coding Workflow ↓Pull Request ↓Human Review兩邊嘅交接點就係 GitHub Issue。
至於下游 implementation pipeline,可以睇:
02. Automated Multi-Agent Coding Workflow
所以,呢一頁只集中處理 開始寫 code 之前 嘅工作:
- 捕捉一個原始想法
- 理解真正意圖
- 將佢分類
- 搜尋重複或相關工作
- 判斷佢係 feature、bug、research task,定 experiment
- 評估 priority
- 產生一張結構化 ticket
- 要求人手批准
- 建立或更新 GitHub Issue
- 將批准咗嘅 issue 交俾現有 coding workflow
呢篇會刻意 唔重複 前一篇已經詳細講過嘅 Codex → Claude Code → Cursor → Grok implementation pipeline。
Table of Contents
Section titled “Table of Contents”- 點解要自動化 Ticket Creation?
- AI 唔應該一有 Idea 就即刻寫 Code
- 完整嘅 Intake Architecture
- Idea Inbox
- 第一步:理解個 Idea
- 開 Ticket 之前先分類
- 先檢查個 Idea 係咪已經存在
- 將 Research 同 Feature 分開
- AI 協助評估 Priority
- 建議嘅 Ticket 結構
- 使用結構化 AI Output
- 建立 GitHub Issue
- 用 GitHub Project 做工作隊列
- 交接去 Multi-Agent Coding Workflow
- Human Approval 同 Automation Boundaries
- 由簡單開始
- 建議嘅第一個 Experiment
- 最終目標
1. 點解要自動化 Ticket Creation?
Section titled “1. 點解要自動化 Ticket Creation?”當一個 project 慢慢變大,developer 會由好多唔同地方收到新 idea:
- 自己觀察到嘅問題
- Bugs
- User feedback
- Research
- Articles
- AI conversations
- 新 algorithms
- Architecture ideas
- Performance problems
- Refactoring opportunities
真正困難嘅唔係產生 idea。
真正困難嘅係判斷:
呢個 idea 到底係乜?
之前有冇已經記錄過?
佢係一個 feature,定只係一個 research question?
我而家應唔應該做?
仲欠咩資料?
我要點樣測試佢係咪真係改善咗個 system?如果每一個新 idea 一出現就即刻變成 code,project 好容易失去方向。
AI intake workflow 嘅作用,就係喺以下兩樣嘢中間加一層 buffer:
Thinking同:
Building2. AI 唔應該一有 Idea 就即刻寫 Code
Section titled “2. AI 唔應該一有 Idea 就即刻寫 Code”其中一條最重要嘅規則係:
一個新 idea,唔代表佢自動就係一個新 feature。
例如,我喺開發 MarketLens 嘅時候,可能會發現幾種用嚟判斷整體大市趨勢嘅方法:
S&P 500 高於 50-day moving average
S&P 500 高於 200-day moving average
Market breadth
Advance / decline data
Follow-through days
VIX
Put / call ratio如果冇一個 intake process,我好容易將以上七樣嘢全部變成七張獨立 development ticket。
但 AI 可能會發現,其實佢哋全部都只係同一個 research question 入面嘅唔同候選方法:
MarketLens 應該點樣判斷目前嘅 market regime?與其即刻修改 production algorithm,AI 可以先開一張 research ticket:
Research:Market Regime Detection然後將以上唔同 signals 放入去做候選方案。
咁樣會容易管理好多。
3. 完整嘅 Intake Architecture
Section titled “3. 完整嘅 Intake Architecture”第一個版本可以保持簡單。
IDEA / OBSERVATION │ ▼ ┌─────────────────┐ │ AI Intake Agent │ └────────┬────────┘ │ ▼ Understand Intent │ ▼ ┌────────────────────────┐ │ Classification Agent │ └───────────┬────────────┘ │ ┌──────────────────┼──────────────────┐ │ │ │ Feature Bug Research │ │ │ └──────────────────┼──────────────────┘ │ ▼ Duplicate / Context Detection │ ▼ Priority Assessment │ ▼ Ticket Draft │ ▼ Human Review │ ┌────────┴────────┐ │ │ Approve Park │ ▼ GitHub Issue一開始,其實可以由同一個 AI model 負責以上全部角色。
等個 workflow 真係變複雜之後,先再將唔同角色拆開。
4. Idea Inbox
Section titled “4. Idea Inbox”所有 idea 最好都由同一個入口進入。
例如:
Capture MarketLens idea:
我最近研究緊用 market breadth,再配合 S&P 500 嘅 50-day 同 200-day moving averages,去判斷而家個整體市場環境係咪適合買入。Developer 唔應該每一次都要自己手動決定:
應該用邊個 label?
屬於邊個 project?
Priority 應該係乜?
係邊種 ticket type?
Acceptance criteria 應該點寫?以上嘅整理工作,可以交俾 AI intake process。
Developer 最主要只需要做一樣嘢:
將個 idea 表達出嚟。
5. 第一步:理解個 Idea
Section titled “5. 第一步:理解個 Idea”AI 應該先將一個比較隨意、未整理嘅想法,轉化成一個清楚嘅 problem statement。
原始 input:
我諗緊係咪應該加 market breadth,因為我見到有人用佢嚟避免喺大市弱嘅時候買股票。AI interpretation:
Problem:
MarketLens 目前主要評估 individual stock signals,但未有一個專門嘅 market-regime filter。
Hypothesis:
如果加入整體市場環境 filter,可能可以減少弱市期間嘅 false-positive signals。咁樣個 idea 已經容易評估好多。
6. 開 Ticket 之前先分類
Section titled “6. 開 Ticket 之前先分類”唔係每一樣工作都屬於同一種類型。
一個簡單嘅 classification system 可以係:
FEATUREBUGRESEARCHEXPERIMENTDATAARCHITECTUREREFACTORDOCUMENTATION例如:
更換一個唔穩定嘅 market data source→ DATA
加入 option strategy scanner→ FEATURE
比較 SPY 50MA 同 market breadth→ RESEARCH / EXPERIMENT
Ticker data 缺失時 scanner crash→ BUG
引入 Kafka→ ARCHITECTURE分類好重要,因為唔同類型嘅 ticket 應該行唔同 workflow。
Bug 可能可以比較直接進入 implementation。
但一個 research idea,一般應該先測試,唔應該即刻變成 feature。
7. 先檢查個 Idea 係咪已經存在
Section titled “7. 先檢查個 Idea 係咪已經存在”呢個係 AI 最有價值嘅工作之一。
開新 ticket 之前,workflow 應該先搜尋現有 issues。
例如,假設本身已經有:
Research: Market Regime Detection之後我又輸入:
VIX 可能都可以幫我判斷目前市場係咪健康。AI 唔應該再開另一張新 ticket。
反而應該回覆:
搵到相關 ticket:
Research: Market Regime Detection
建議:將 VIX 加入現有 research ticket,當成另一個 candidate signal。個 workflow 就會變成:
New Idea ↓Search Existing Issues ↓Related Issue? / \Yes No │ │Update CreateExisting New TicketTicket咁可以避免 backlog 最後變成幾百張非常碎片化嘅 tickets。
8. 將 Research 同 Feature 分開
Section titled “8. 將 Research 同 Feature 分開”對 algorithmic project 嚟講,呢一點尤其重要。
假設我發現一個新嘅 stock-market indicator。
佢唔應該即刻變成:
FEATURE:Add Indicator X比較好嘅流程係:
RESEARCH ↓Hypothesis ↓Experiment ↓Backtest ↓Compare Against Baseline ↓Decision只有當個 experiment 真係有證據顯示有價值,先將佢升級成:
FEATURE以 MarketLens 為例:
Research TicketMarket Regime Detection
↓
ExperimentBaseline scannervsScanner + regime filter
↓
MeasureWin rateAverage returnMaximum drawdownSignal count
↓
Decision │ ┌──┴──┐ │ │ Adopt Reject │ ▼ Feature Ticket咁樣就可以清楚分開:
聽落幾有趣嘅 idea
同:
已經有證據證明值得加入 product 嘅功能。
9. AI 協助評估 Priority
Section titled “9. AI 協助評估 Priority”AI 亦可以幫手估一個 idea 應該幾快去研究。
一個簡單 scoring model 可以包括:
Impact 1–5Confidence 1–5Effort 1–5Urgency 1–5例如:
| Item | Impact | Confidence | Effort | 建議位置 |
|---|---|---|---|---|
| Reliable market data | 5 | 5 | 2 | Now |
| Market regime filter | 5 | 3 | 3 | Next |
| Options scanner | 5 | 3 | 5 | Later |
| Kafka architecture | 2 | 2 | 5 | Park |
| AI explanation layer | 3 | 3 | 4 | Later |
個 score 唔應該自動決定最後做乜。
佢只係用嚟協助決策。
最後決定權仍然係人。
10. 建議嘅 Ticket 結構
Section titled “10. 建議嘅 Ticket 結構”AI 應該用一個一致嘅格式去產生 tickets。
例如:
# Market Regime Detection
## Type
Research / Experiment
## Problem
目前 scanner 主要評估 individual stocks,但未有明確將整體市場環境納入判斷。
## Hypothesis
加入 market-regime filter,可能可以減少弱市期間質素較差嘅 signals。
## Candidate Signals
- SPY 50-day moving average- SPY 200-day moving average- Market breadth- Advance / decline ratio- Follow-through day- VIX
## Data Required
- Daily SPY OHLCV- Market breadth data- Historical VIX data
## Experiment
比較:
1. Existing MarketLens baseline2. Baseline + market-regime filter
## Metrics
- Win rate- Average return- Maximum drawdown- Number of signals- Risk-adjusted return
## Definition of Success
新 filter 應該改善 risk-adjusted performance,同時唔應該刪走過多本來有效嘅 candidates。
## Priority
Next
## Status
Inbox重點係:
我唔再需要每一次都自己由一個零散想法,手動整理成正式 engineering task。
11. 使用結構化 AI Output
Section titled “11. 使用結構化 AI Output”當 workflow 開始自動化之後,free-form text 會比較難俾其他系統繼續處理。
所以 intake agent 可以改為輸出 structured output。
例如:
{ "title": "Research market regime detection", "type": "research", "project": "MarketLens", "priority": "next", "labels": [ "research", "algorithm", "market-regime" ], "duplicate_of": null, "problem": "The scanner does not currently include an overall market regime filter.", "hypothesis": "A market regime filter may reduce poor-quality signals during weak markets.", "requires_experiment": true, "ready_for_development": false}之後 orchestrator 就可以根據呢啲 fields 決定下一步。
12. 建立 GitHub Issue
Section titled “12. 建立 GitHub Issue”Ticket 經過 review 同批准之後,workflow 可以自動建立 issue。
概念上:
AI Ticket Draft ↓Human Approval ↓Structured JSON ↓GitHub API / CLI ↓GitHub Issue最重要嘅 guardrail 係:
AI 可以自動幫手準備 ticket,但唔應該將每一個諗法都自動變成 development work。
建立 issue,同開始 implementation,係兩個唔同決定。
13. 用 GitHub Project 做工作隊列
Section titled “13. 用 GitHub Project 做工作隊列”GitHub Issues 可以儲詳細內容。
GitHub Project 就可以用嚟代表整個工作 queue。
一個簡單 board 可以係:
Inbox ↓Next ↓Ready ↓In Progress ↓Testing ↓Done另外再加一個:
Parked咁每一個 idea 都有地方放,而唔需要每一個 idea 都即刻打斷目前工作。
例如:
Stable Market Data→ Ready
Market Regime Research→ Next
Options Opportunity Scanner→ Inbox
Kafka Migration→ ParkedBacklog 由一堆容易令人分心嘅 idea,變成一個受控 queue。
14. 交接去 Multi-Agent Coding Workflow
Section titled “14. 交接去 Multi-Agent Coding Workflow”呢度就係呢套 workflow 同我原本 automated multi-agent coding workflow 接軌嘅位置。
Ticket workflow 去到呢度就完成:
Idea ↓AI Intake ↓AI Triage ↓Research / Analysis ↓Approved GitHub Issue而 coding workflow 就由呢度開始:
GitHub Issue ↓AI Orchestrator ↓Codex ↓Claude Code ↓Cursor ↓Grok ↓Pull Request兩邊合埋:
HUMAN │ ▼ IDEA │ ▼ ┌────────────────┐ │ AI Intake │ └───────┬────────┘ │ ▼ Classify / Triage │ ▼ Duplicate Detection │ ▼ Priority Review │ ▼ GitHub Issue │ ─────────────┼───────────── │ ▼ ┌────────────────┐ │ AI Orchestrator│ └───────┬────────┘ │ ▼ Codex │ ▼ Claude Code │ ▼ Cursor │ ▼ Grok │ ┌─────┴─────┐ │ │ PASS FAIL │ │ ▼ ▼ Pull Request Fix Loop │ ▼ Human Review │ ▼ Merge呢個做法填補咗之前 workflow 入面一個重要缺口。
以前 development workflow 係由:
Requirement開始。
而家成個 system 可以再向前一步,幫我決定:
呢個 requirement 本身係點樣形成出嚟。
15. Human Approval 同 Automation Boundaries
Section titled “15. Human Approval 同 Automation Boundaries”一個更自動化嘅 intake workflow,唔代表要移除 human judgment。
比較合理嘅分工係:
AI↓CaptureClassifySearchSummariseDraftRecommend ↓Human↓ApproveRejectParkChange PriorityAuthorise Development第一個版本入面,我會容許 intake workflow 做:
✓ 分析一個 idea✓ 搜尋現有 tickets✓ 建議 duplicates✓ 將工作分類✓ Draft ticket 內容✓ 建議 labels✓ 估算 effort✓ 建議 priority✓ 指出欠缺嘅資料✓ 建議先 research 再 implementation但對以下行為,我會更加保守:
✗ 自動開始 implementation✗ 自動修改 production algorithms✗ 刪除現有 tickets✗ 冇證據就關閉 research questions✗ 未經批准就改 roadmap priorities✗ Merge code一個實用嘅 approval boundary 可以係:
Raw Idea ↓AI Triage ↓Ticket Draft ↓[Human Approval] ↓GitHub Issue ↓[Ready for Development?] ↓Automated Multi-Agent Coding WorkflowTicket system 同 coding system 應該保持分開。
咁可以避免一個一閃而過嘅 idea,立即變成 code change。
16. 由簡單開始
Section titled “16. 由簡單開始”第一個版本完全唔需要再引入另一套大型 agent framework。
可以由:
Me ↓ChatGPT ↓Structured Ticket Draft ↓Human Review ↓GitHub Issue開始。
下一步先變成:
Idea ↓Intake Script ↓LLM ↓Search Existing GitHub Issues ↓Structured JSON ↓Human Approval ↓Create / Update GitHub Issue等以上 workflow 真係證明有用之後,先考慮更加 autonomous 嘅 product-management layer。
例如:
Idea ↓AI Intake Agent ↓Research / Classification ↓Priority Agent ↓GitHub Project ↓Approved Issue ↓Existing AI Coding Workflow呢度同 coding workflow 一樣,都應該遵守同一個 design principle:
先由最細、真正有用嘅 automation 開始;只有當出現實際問題時,先增加複雜度。
17. 建議嘅第一個 Experiment
Section titled “17. 建議嘅第一個 Experiment”對 MarketLens 嚟講,一個好適合嘅第一個 experiment 可以係:
Input:
「我想研究用 market breadth同埋 S&P 500 trend去改善 scanner。」預期 AI output:
Type:Research / Experiment
Related existing issue:None
Priority:Next
Development ready:No
Recommended action:Create research ticket
Required next step:Define baseline and backtest metrics之後個 system 應該產生一張完整 ticket draft。
但佢 唔應該 即刻修改 MarketLens algorithm。
經過 human approval 之後,先建立 GitHub Issue,再將佢放入適合嘅 project queue。
只有當張 issue 去到 Ready,先交俾 automated coding workflow。
所以,一個成功嘅第一版本,其實只需要證明以下條路行得通:
Raw Idea ↓AI understands it ↓AI creates a useful ticket ↓Human approves it ↓GitHub stores it ↓Current work continues uninterrupted18. 最終目標
Section titled “18. 最終目標”我要解決嘅問題,唔係冇 idea。
而係:
太多 idea 會不停打斷而家已經進行緊嘅工作。
如果冇一個受控 intake process:
我有一個新 idea ↓我停低而家做緊嘅嘢 ↓我開始寫佢 ↓又出現另一個 idea ↓我又改方向我想要嘅行為係:
我有一個新 idea ↓Capture it ↓AI 幫我整理 ↓Backlog 幫我記住 ↓目前 project 繼續 ↓到佢排到隊先再評估完整 system 最後就會變成:
Ideas / Bugs / Research / Feedback ↓ AI Idea-to-Ticket Workflow ↓ Prioritised GitHub Issues ↓ Automated Multi-Agent Coding Workflow ↓ Pull Request ↓ Human Review ↓ Merge所以,呢個系列嘅四篇文章其實分別處理唔同層次:
01 理解 multi-agent development02 自動化 coding pipeline03 理解 agent role design04 自動化 idea intake 同 ticket pipeline四篇合埋,就由:
用 AI 幫我寫 software
逐步變成:
設計一套 AI-assisted software development system,令一件工作由 idea、ticket、implementation,一路去到 review 都有清楚流程。
但最重要嘅 boundary 仍然係 human control。
AI 可以減少整理 idea、準備 engineering task 呢啲重複性工作,但最後仍然由我決定:
乜嘢值得做?乜嘢值得研究?乜嘢應該等?乜嘢應該 reject?一張 ticket 幾時先真正 ready for development?呢個先係我想保留嘅角色。