一个人的AI Agent实践录

爱做梦的大米饭
爱做梦的大米饭

事件响应回忆录

2026年8月31日 08:30
湖南

在小说阅读器读本章

去阅读

在公众号小说中沉浸阅读

前言

很久没有写公众号文章了，上一篇似乎已经是很久很久之前了。

最近这半年或者是最近一年多的时间，AI Agent开始在it领域流行起来，打开各个微信群聊，似乎每个群都在谈论着AI Agent或者是各种新出的大模型。而最近一年多的时间里作者也是在深度使用各类AI Agent。

Agent的见解

2023年初，以大语言模型为代表的生成式AI开始真正进入大众视野。 彼时，ChatGPT 展现的能力主要集中在对话与文本生成——回答问题、撰写文章、辅助翻译，交互模式相对单一，基本停留在\"输入问题、获得回答\"的层面。而短短两三年间，AI Agent 已能自主调用工具、读写文件、分析数据、编写代码乃至生成完整报告，从\"被动应答\"走向\"主动执行\"，技术迭代的速度令人瞩目。

早期，开发者关注的焦点是 Prompt Engineering（提示工程） ——通过在对话框中精心设计角色设定、输入格式和输出要求，引导模型按预期行事。如今，随着模型推理能力的提升和 Agent 架构的成熟，往往只需一条自然语言指令，系统便能自主拆解任务、规划步骤并交付成果。

这几年间，AI Agent 领域也涌现出诸多新概念：MCP（模型上下文协议）、Skills（技能封装）、Context Engineering（上下文工程）、Sub-agent（子智能体）、Harness Engineering（驾驭工程）、Agent Loop（智能体循环）等。在笔者个人看来，这些术语看似纷繁复杂，实则并未脱离 Agent 能力的底层支撑——它们本质上仍是在提示词设计、工具调用、上下文管理、任务规划这四个维度上的持续深化与工程化演进，目标都是让 AI Agent 更稳定、更可控、更实用。

使用心得

现在网上铺天盖地的宣传都在说，一个指令就能让AI Agent干这干那，仿佛有了Agent就再也不需要任何技术门槛。但说实话，真正想把AI Agent用好、让它切实提升工作效率，最初出现的那些概念——也就是Prompt Engineering——至今仍是值得掌握的核心技能。去翻各类Skills或开源AI Agent项目，不难发现里面充斥着大量的prompt设计。对AI Agent而言，一个好的、足够详细的提示词，能让你少做很多反复试错的活儿，让AI高质量、符合预期地交付成果，而不是交给你一个看起来是那么回事儿、实际上根本用不了的东西。

再说MCP、Skills这些扩展能力。很多人本机装了一大堆，结果磁盘乱糟糟，过段时间连自己装的是干嘛的、实际应用场景是什么都忘了（就是踩过坑，看起来装了很多牛逼的skills，其实很多都用不上或者是压根不好用）。工具越多，失控风险越大。笔者的原则是在精不在多，这里推荐几个笔者个人用下来不错的：Skills方面，frontend-design、code-review-skill、superpower这几个足够实用；MCP方面，chrome-devtools-mcp、playwright-mcp、context7-mcp和codegraph-mcp基本能覆盖大部分开发场景，尤其是网安领域各类小工具的开发。装这几个，磁盘干净，调用可控，远比堆砌一堆用不上的工具要靠谱得多。

长程任务则是另一个容易踩坑的地方。最开始用AI做长程任务时，笔者的感受是就那么回事儿，因为当你去验收的时候会发现，代码文件里全是TODO，前端页面看着像那么回事儿，但真要用，谁都不敢用，一跑就崩。后来有一天，笔者下班看到自己以前和小伙伴出去玩时做的旅游计划表，几点去干嘛、去哪儿打卡、完成一项打个勾，突然意识到，长程任务对AI Agent来说，不就是一个AI版旅行计划吗？

AI的上下文终究有限，怎么让它连续工作几小时甚至几天不出岔子？笔者的做法是把AI Agent想象成一个完整的团队，给不同Agent分配清晰的角色：PM负责整体任务进度把控和人员调配，架构师负责整体架构设计和基础设施，前端负责页面美化，后端负责服务侧功能开发，Code Review负责代码质量审核。用户只需要跟PM这一个角色沟通，剩下的由PM去调度。具体落地时，核心还在提示词，你在输入时把自己的需求、痛点、技术栈表达清楚，然后让AI输出一份完整的Plan和process.json或process.md，也就是把大需求拆成多个小任务的任务进度表。主Agent的身份就是PM，负责推进整体进度、把控项目质量，完成后直接向你汇报。再配合Agent的loop功能，像Claude Code、Codex这类工具都支持，即使你去睡觉了，AI也能持续工作，第二天睡醒直接验收。

但验收环节才是真正让人头疼的。以前写程序，每一行都是人手工敲出来的，数据流、业务逻辑都经过深思熟虑，哪怕是屎山代码，那也是人考量过的产物。但AI产出量是巨大的，人的精力终究有限，所以必须讲究方法。笔者的做法是让AI在编码完成后，额外输出一份完整的数据流图，人工验收时一边看代码一边对照数据流图，就能快速掌握整体概况，判断功能是否完整、是否真的可用。

说到底，别被一句话搞定一切的噱头带偏了。把提示词写扎实、工具选精简、长程任务拆清楚、验收有章法，这才是让AI Agent真正为你干活的底层能力。

个人思考

过去，IT从业者往往沿着一条技术纵深路线发展——选定一个方向深耕下去，成为该领域的专家。这种\"专精一门\"的路径，曾是职业安全感的来源。但AI Agent的出现打破了这种笃定，互联网上各种职业焦虑迅速蔓延：AI会不会取代笔者？过去积累的经验在AI面前是不是一文不值？

在笔者看来，AI Agent终究是工具，是辅助人而非替代人的工具。真正落地到工作中，仍然需要人来兜底、来把控。一旦抽掉人工审核这一环，AI的输出就可能失控，造成难以估量的损失。所以焦虑归焦虑，但人的价值并没有被消解，而是发生了位移。

这种位移直接体现在对技术能力的要求上。过去拼的是深度——你对某个框架、某种语言的理解有多深；现在则需要在深度之外，具备一定的广度。什么框架适合什么场景、技术选型如何权衡、业务逻辑怎么把控，这些都需要更开阔的视野去统筹。换句话说，IT从业者正在从\"执行者\"向\"管理者\"转变——AI负责执行，人负责驾驭。

网上有个段子说，以后的IT从业者可能不再叫\"某某开发工程师\"\"某某安全工程师\"，而是叫\"AI大模型善后工程师\"。虽是玩笑，却点出了一个真实的趋势：核心逻辑正在从\"亲手做\"转向\"驾驭着做\"，从执行层上升到驾驭层。

结尾

说到底，驾驭AI Agent这件事，终究要落到成本账上。现在AI编程助手的订阅费用越来越高，确实让人有些吃不消。但横向对比来看，国内产品在同等能力下，性价比已经拉得很满，这是实打实的优势。

而且不只是编程领域，国产模型的进步在很多地方都能被感知到。就拿我最近沉迷的AI漫剧来说——从最早期单一场景动画生硬、人物出戏、剧情断裂，到如今能生成高质量的连贯剧情和精致动漫场景，这种肉眼可见的进化，恰恰说明底层模型在持续变强。

最后也衷心希望国产模型能继续蒸蒸日上。至于加量不加价？我知道这是做梦，但做做梦又不花钱，万一呢。

------------------------以上均为作者个人观点，不喜勿喷（狗头保命）