Addy Osmani 作者

AI辅助编程的关键风险不是使用工具，而是从“认知卸载”滑向“认知投降”：工程师直接采纳模型输出、放弃独立判断，会让错误答案、设计决策和代码变更进入系统，短期提升交付，长期累积理解债务；应通过预先判断、严格审查、小PR、证据验证和概念性提问保持校准，让AI增强思考而非替代思考。

长运行智能体的核心不是更长对话，而是把状态、计划、进度和验证移出上下文窗口，使其能跨多会话、多沙箱持续工作、失败恢复并继续推进；主流方案已收敛为规划、执行、评估分工，加会话日志、记忆层和检查点，影响是AI开始能稳定承担数小时到数周的开发、运维和研究任务，但成本、安全、漂移与验收仍是主要瓶颈。

编码智能体的核心在于"Harness工程"——即围绕AI模型构建的脚手架系统，包括提示词、工具、沙箱、反馈循环等组件，其重要性甚至超过模型本身，优质Harness配合普通模型可胜过劣质Harness配合顶级模型；该工程遵循"棘轮"原则，将每次失败转化为永久规则，通过AGENTS.md、钩子、沙箱隔离、上下文压缩、Ralph循环等机制实现持续优化，且随着模型能力提升，Harness的复杂度会向更高层级迁移而非消失，最终趋向动态组装、多智能体协作的编译器形态。

作者认为当前生产级智能体的主要瓶颈不在模型，而在底层架构失衡，导致治理、可靠性和审计风险持续累积；未来一年团队应押注四件事：为智能体建立平台级身份与权限控制，提供跨系统通用上下文，支持跨天跨周的持久执行与人工审批，以及用开放平台替代自建管道；谁先把智能体基础设施标准化，谁就能把资源集中到真正有差异化的业务逻辑上。

AI 编码代理读取文档依赖可发现性、可解析性、上下文 token 成本和访问权限，传统面向人类的页面分析几乎捕捉不到其行为；若文档过长、结构差或被 robots.txt 阻挡，代理会跳过、截断或幻觉生成。解决方案是做 AEO：提供 llms.txt、skill.md、AGENTS.md、Markdown 源、token 标注并监测 AI 流量，以提升代理调用成功率与文档实际可用性。

并行运行更多智能体不会线性放大人的产能，真正瓶颈是人类在监督中承担的上下文切换、判断与信任校准成本，线程一多就会累积理解债务和焦虑，导致中午前精力耗尽、审查质量下降；有效做法是识别个人并行上限，按任务复杂度收紧范围、先写清简报并设定限时会话，用较少但可充分复核的线程替代盲目扩容。

开发正从单AI协作转向多代理编排，核心做法是用子代理或代理团队并行分工、共享任务与隔离上下文，再用计划审批、测试钩子、文件锁和人工审查建立质量门禁，结论是多代理能显著提升吞吐与专业化，但真正瓶颈已从生成转向验证，成败取决于规格清晰度、协调机制和持续积累的AGENTS.md知识。

过度依赖AI生成代码会累积“理解债”，即代码规模增长快于人类理解速度，表面测试与指标向好却削弱系统心智模型，变更与排错时集中爆雷；研究显示用AI代写理解力下降约17%，被动委派最伤技能，测试与规格无法替代理解与审查，组织应将“真正理解所交付内容”作为质量门槛与合规前置条件。

软件开发正从写代码转向编排自主代理并行生成与修改代码，工程师需像建工厂一样写清规格、用测试先行和严格验证来控质，否则错误会被放大；生成不再瓶颈，验证与系统判断决定产出与个人竞争力。

研究对比显示AGENTS.md效果取决于内容：自动/init生成的概览多为可自行发现信息，导致噪声、成功率降2-3%且成本增20%+；人工仅写工具陷阱、隐性约定等不可发现信息可提效提准，应将其视为可随问题修复而删减的最小“异味清单”，并按目录分层按需加载以控成本与偏置。