AI 编程 Agent 的 Tracker 都是自我填报系统：真实问题剖析

7 月 27 日，我打开一个用 Claude Code 搭建的项目，同时发现三件事成真了：

一张卡片携带了一个 null commit 持续了两天

spec 里包含了九条错误的陈述

五百行代码被写进了一张仍躺在 Backlog 的卡片名下，因为没有人调用 start

这些都不是 agent 写出了烂代码。代码本身没问题。是 agent 对代码的记录悄悄散架了，而由于没有任何值得注意的异常，我压根没发现。

我错怪它好几个星期了。

这类工具的共同形态

我试了显而易见的修复方案。更严苛的 CLAUDE.md、更优提示词的 tracker、不断唠叨的 hooks。它们都有点帮助，但没有一个触碰到真正的问题——这个问题是结构性的：

agent 干活，agent 给自己写报告。

就这样。这就是全部的失败模式。你的 tracker 只是一个文件柜：agent 说"搞定了，测试通过"，看板存储了字符串"搞定了，测试通过"，但没有任何地方去追问这是真的吗？

所以，断言与项目记忆之间唯一站立的人是你——你去读 diff。你就是那个验证步骤。这就是为什么你不能在它运行的时候走开，也是为什么看板和仓库在你停止关注的那一刻就开始分道扬镳。

建议修复不了这个问题。我知道，因为我就是写建议的那个人。这个项目的整个 MCP server 搭建过程中 start 从未被调用过——那张卡片躺在 Backlog 里，同时五百行代码被写到了它名下。如果协议的制定者在握着它做上下文的同时在一个 session 内就已经游离了，那协议就不是机制，只是一厢情愿。

我不再试图让 agent 变得更可靠，转而开始对看板上每个事实提出不同的问题：谁有权来断言这件事？

命令通过了吗？机器说了算。当 agent 把卡片交回时，tracker 先运行项目的检查，只有检查 exit code 为 0 时才授予状态。关键在于：检查是一个在项目配置中由人声明的 argv 数组——没有任何 agent 能触及的工具可以写入它。agent 可以选择一个已声明的检查，但不能定义一个。如果 agent 能写出一条给它自己打分的命令，那不过是用更多步骤给自己打分而已。

工作落地了吗？Git 说了算。如果一张卡片的 commit 已经是 main 的祖先，那么在 session 启动时看板就会自动更正，无需询问。只向前：它填补空白、确认已落地的工作，绝不会覆盖你做出的决定——因为没有任何 commit 记录了意图。

这条记录还成立吗？diff 说了算。每条记录都保存了它为真时的 sha。之后看板会告诉你从那之后树移动了多远，并区分"没有任何东西落地"和"我无法检查"。在别处，三周前的记录看起来和今天早上的一模一样。

两件事矛盾了吗？看板会主动告诉你。提供了一个视图来呈现与 git 矛盾的断言、分支没有卡片归属、以及卡片在从未运行过检查的情况下被关闭。

把看板存在 git 里是存储——好几个工具都这么做。让 git 否决你的看板是裁决。这就是差别，也是整个产品的全貌。

我弄错的部分，错了两次

有两件事我要告诉在这个领域里做开发的所有人。

验证关乎的是哪个层面可以建立命令，而不是如何逃避它。我把检查做成了 argv 数组，用 shell: false 运行，以为大功告成。后来我发现本地 web UI 的 PUT 会替换整个文档——包括 checks map——而且它设计上就是无认证的。所以任何能触及那个端口的东西都可以把 ["/bin/sh", "-c", "…"] 安装为检查，而下一次交回时会直接运行它。我从端到端复现了：200 OK、schema 合法、payload 执行了。当 argv 是一个 shell 时，shell: false 毫无防御能力。

还有"已测量"意味着"在我的机器上已测量"，在 CI 存在之前都是如此。一个用于捕获检查尾输出的宽限期是被仔细测量的——从一百字节到一百万字节，各十次运行，外加故意的 CPU 饱和。这一切都是在一台 8 核笔记本上完成的。它遇到的的第一个 2 核 CI runner 在第一个 job 就丢了一行。这个项目里已经有三处独立的时间假设因此崩塌。

一次通过只能证明一个声明的命令在指定的树上 exit zero。它不能证明工作是正确的。一个为坏代码写出了通过测试的 agent 可以完全击败这个机制，而工具在卡片上——而不是脚注里——说明了这一点。

在你声明一个检查之前，它什么也证明不了——卡片凭 agent 的话移动，和其他地方一样。没有依赖图。而且是一个开发者、一台机器：没有账户、没有权限、没有团队功能。

它用自己构建了自身

每个功能都用来构建下一个功能，而仓库里的看板才是真正的看板——75 张卡片、274 条记录，约 43,000 字，由 agent 在工作过程中写成，包括那些错误。一只无声丢失写入的锁定性 bug。一条安全检查的错误处理把崩溃变成了彻底的沉默。一条对 tracker 自身刚刚修改过的文件通过的测试——被几小时前发布的那个功能逮住了，而那个功能立刻也逮住了它的作者。

最后这条是这个项目里我最爱的部分。这个工具的第一次真正的捕获，是工具捕获了我。

github.com/albertoclemente/shipward — MIT，无需依赖，无需构建步骤，Node 20+。547 个测试。

如果你也在跑 coding agent，我真心想知道你是否也遇到过同样的情况：agent 关闭了某件事，后来发现其实不成立。我还不确定自己是否特殊。