一觉醒来AI Agent都替你做好了那是白日做梦

寂静回声

最近社区里有一种氛围，就是大家都在聊“睡前给 Agent 设个 goal，早上起来项目就做好了。”


pandas 创始人 Wes McKinney 前几天直接说了一句，"I think loops are bullshit." Loop 工程就是扯淡。
他的团队只有 3 个人，每周合并数百个 PR，最近 30 天 token 消耗折合 API 价超过 5 万美元。这不是那种“我试了一下觉得不行”的嘴炮选手，这是重度使用 AI Agent 之后得出的结论。
他反对的不是使用 Agent，他反对的是让 Agent 围绕彼此的输出不断循环，人离开键盘，然后期待自动得到好结果。告诉你这能行的人，要么没做过复杂工程，要么在卖你东西。


之前试过社区推荐的各种 goal 类、loop 类 skill。设一个大目标，让 Agent 自己规划、自己执行、自己验证。跑了一晚上，第二天打开一看？
表面上省了两个小时的设计时间。但后面打磨、修正、有些地方直接推倒重做，花了至少五个小时。你以为你在偷懒，其实你在给未来的自己挖坑。


因为 Agent 缺乏品味和判断，它执行速度很快，但它不知道这个设计方向对不对，不知道这个取舍在业务上合不合理，不知道哪些地方可以粗略些，哪些必须精准。这些判断，目前只有人能做。
你在前期跳过了这些判断，后期一定要还债。


那 Wes 自己怎么用 Agent？
他团队的做法是，人负责设计和拍板。不确定的时候找另一个 Agent 提反对意见，做对抗性审查。
设计转成明确的 spec 之后才让 Agent 拆解执行，每步检查是否符合 spec。最终代码由人验收。
流程里当然有循环，但关键区别是，循环的操控权在人手里。不是 Agent 自嗨跑了 100 轮然后扔给你一坨东西让你 review。



大模型是概率生成系统，加上物理层面的上下文窗口限制，决定了它天然不具备复杂工程所需的 “全局视角”：
每一轮循环的输出，都是基于上一轮结果的概率性推演，没有绝对的对错校验，误差会随着循环轮次指数级累积，最终从 “方向偏差” 变成 “完全跑偏”；
它无法在上下文中完整持有一个项目的全部架构约束、历史决策、业务隐性规则、技术债务权衡。每一步执行都是 “局部最优解”，但局部最优拼在一起，往往是全局混乱。



社区里很多人对 Agent 的期待，本质是把工程简化成了 “代码生成任务”。但真实的复杂工程，核心工作量从来不是敲代码，而是一系列无法被量化成规则的判断与取舍：
这个需求到底是真需求还是伪需求？这里是牺牲一点性能换可维护性，还是反过来？
这个技术债现在可以欠，还是绝对不能碰？
方案 A 和方案 B 在当前团队、当前业务阶段下，哪个综合成本更低？
Agent 执行速度很快，但它不知道什么是 “合理”，不知道什么是 “够用”，不知道什么是 “得不偿失”。

你想得越清楚、规则给得越明确，Agent 帮你省的时间就越多。
你自己都模棱两可、想靠 AI 帮你想清楚，最后只会收获一堆看起来很完整、实则千疮百孔的半成品。
评估 AI 效率不能只算 “生成花了多久”，要把后期 debug、重构、理解代码、修复隐性问题的时间全算进去。
很多时候看似省了 2 小时设计，实则多花 5 小时填坑，本质是负收益。