基础篇
进阶篇
高频篇
精选篇
手写篇
面经篇
AI 篇
原理篇
每日一题
小程序题库
  • 知识卡片碎片时间过考点
  • 场景篇按分类整理的大前端场景考点
  • 历年面经按年份追踪真实考点
  • 算法题库NEW在线编码即时判题
  • 专项自测100 题快速查漏
  • 前端基础
    • HTTP从报文一路讲到 HTTPS
    • 浏览器渲染、事件循环、进程
    • 计算机基础Linux、网络、操作系统
  • 进阶专项
    • 设计模式23 种模式怎么用
    • 前端系统进阶学习大型项目工程化
    • 前端综合文章长期沉淀的实践文
  • 工程与工具
    • Node学习指南从环境搭建到服务端
    • NPM工作流script、依赖与发布
    • Docker容器化部署上手
    • Canvas图形与动画实战
  • 路线与导图
    • 思维导图知识点全景图
    • 学习路线按图索骥不跑偏
  • 动态
    • 公众号动态公众号历史文章
    • 博客动态站长的技术博客
    • 开发者导航常用工具与文档站
    • AI 热点每日 AI 资讯与动向
AI 工作台
旧版
AIHT
内容
精选全部 AI 动态热点榜AI 日报收藏
分类
模型行业编程产品技术观点开源
更多
Agent 接入
返回首页开发者导航
AIHT
精选 / 资讯详情
8.0
热点
AI SCORE
编程提效2026-11-20 04:52

七个 AI 智能体协作交付能源分析原型

dev.to · AI#多智能体#AI编程#原型开发
Editor brief · 编辑速览

一个六人团队在72小时挑战中,用七个 AI 智能体参与实现、审查和修复,交付了覆盖约3万栋建筑的能源分析原型。作者披露合并约127个 PR、投入约107个人工工时,基础设施费用约为每月45美元。

文章思维导图
Knowledge map
拖拽缩放
AI deep read

AI 深度解读

7 个 AI Agent、72 小时、约 127 个合并的 PR,看起来像一场代码生成速度竞赛。但 MEV 团队这次实验更有参考价值的地方,是他们如何把产品范围、人工审批、自动审查和部署串成一条交付流程。

他们最终上线了一个分析约 30,000 栋商业建筑能耗的概念验证应用(PoC)。作者的结论是:Agent 能承担大量实现和初步审查,工程师则要把精力放在定义问题、架构和验证上。这个案例值得读,但不能把它直接当成普通团队三天交付生产系统的模板。

72 小时能交付,先靠明确哪些东西不做

挑战只提供了纽约市 Local Law 84 下收集的建筑年度能耗数据,没有规定产品形态。团队第一天上午先确定了一个用户:负责商业地产组合能效的 Building Performance Analyst。

这个角色需要的不只是能耗图表。他还得找出表现较差的建筑,解释为什么值得改造,并向管理层说明预计成本和回收周期。因此,产品收敛为三项能力:与相似建筑比较能效、生成带成本与回收周期的改进建议,以及用自然语言查询建筑数据。

范围也随之确定。已有约 30,000 栋纽约建筑,就不扩展其他城市;改造措施先放入 3 项,不追求规划中的数百项;界面使用现有组件,UX 工作集中在分析师能否走通完整流程。

他们压缩的是需要验证的范围,同时保留了从原始数据到建议的完整链路。

团队共有 6 人,包括 4 名工程师、1 名业务分析师和 1 名 UX 设计师。其中 3 名工程师全程参与,第 4 名在最后一天加入。业务和设计梳理用户旅程时,工程师同步准备基础设施。这种并行方式成立的前提,是产品目标足够集中,各自能围绕同一条用户流程推进。

7 个 Agent 怎么协作,工程师又在哪里接管

7 个专职 Agent 运行在 Claude Code 中,分别负责架构、实现、审查、修复,以及安全、设计和发布就绪检查。它们属于团队此前就在建设的 MEV Innovation Lab Delivery System,并非比赛开始后临时搭建。

每个 Agent 的职责都写成规范,与应用代码一起纳入版本控制。这样,协作规则可以随代码演进,也能追查某次实现遵循了什么要求。

下面这条流程解决的是任务如何从 Issue 进入实现,并经过审查和人工批准后交付:

GitHub Issue
     |
     v
Architect Agent
     |
     v
Engineer reviews and approves plan
     |
     v
Builder Agent
     |
     v
Review and specialized checks
     |
     v
Fixer Agent
     |
     v
Engineer approves final changes
     |
     v
Merge and deployment

要看的是两个工程师审批节点:先批准实施计划,再批准最终变更。自动化覆盖了中间的大量执行步骤,架构取舍和代码接纳仍由人负责。

工程师可以用下面的命令,引用现有工单并启动处理链:

/dev <ticket-number>

要注意 <ticket-number> 对应已有任务;这是他们工作流里的入口,不能据此认为所有 Claude Code 环境都自带同样的能力。

团队还会在创建 PR 前运行本地审查链,由审查和安全 Agent 给出 P0 到 P4 的分级问题。工程师拿到的是一组待判断的发现,随后决定哪些必须修、修复是否正确。

交付环境同样提前准备好了:应用托管在 DigitalOcean,GitHub Issues 接入 Agent 流程,合并后自动部署,数据库迁移则由相关合并后触发的独立任务执行。高频产出代码只有能持续集成、验证和上线,才可能转化为交付速度。

模型只负责最后一步,架构负责让应用可用

应用需要处理约 300 MB 的建筑能耗记录。导入时不能丢记录,数据库不能被拖垮;用户在地图上移动、比较建筑时,查询和同类排名还得及时返回。这些问题并不会因为代码由 Agent 生成而消失。

团队让资深工程师分别负责应用的一块完整业务链路,包括其中的架构决策,减少遇到问题后反复交接的成本。

推荐功能采用三阶段处理。第一步用统计分析寻找特征相近的建筑,建立比较基准;第二步从已存储的节能措施库中检索适合的选项,PoC 只录入了来自 US Department of Energy 指导资料的 3 项措施;第三步才调用 Claude,根据筛选后的建筑信息和改造选项生成建议。

这样安排的理由很直接:同类比较和措施筛选可以先由确定的程序完成,不必把整份数据交给模型。LLM 负责将已有信息组织成针对具体建筑的建议,输入范围也更小。

不过,原文没有说明成本与回收周期的具体计算方法,也没有展示建议准确率。措施有资料来源,不等于生成结果已经具备投资决策所需的可信度。

他们还设计了模型 API 故障时的降级:外部服务不可用或触发限流,地图和建筑比较仍能使用,推荐区域显示提示。对前端而言,这个例子很具体:AI 请求失败应该被限制在对应功能内,避免连带破坏整页交互。

成本控制也进入了业务流程。应用通过 Stripe 实现两个订阅档位,每次 AI 请求前检查用户方案,并记录提示词版本、生成建议和相关成本,便于追查输出和消耗。

我的判断

这个案例最值得借鉴的是职责分配。Agent 承担实现、初查和修复,工程师负责范围、架构、边界条件和验收。工程经理 Ivan Makarov 估计,团队约 90% 的时间用于规划和测试,包括提前识别缺失字段、异常输入以及组件之间的交互问题。

但几组数字需要分开看。

约 127 个 PR 是交付过程的记录。所谓节省接近 60 小时审查工作,则按每个 PR 至少需要 30 分钟人工审查推算而来。它不是实测的工期缩短,也没有扣除人工复核、误报处理和修复验证的时间。PR 数量本身也无法说明变更复杂度。

约 107 小时是总人工投入;72 小时是挑战持续时间。团队获得了主办方代码质量和 AI 集成评估的第一名,但原文没有公开评分方法,也没有无 Agent 的对照组。因此,速度收益仍应视为有具体条件的团队经验。

每月 $45 则只是 PoC 的基础设施费用。原文没有给出具体费用明细;4 名工程师使用的 Claude Code 订阅按每人每月 $200 计算,开发成本另计。生产流量、更大的数据管道和更多模型调用,还需要重新评估。

这个案例证明了成熟小团队能在受控范围内组织大量实现工作,没有证明 7 个 Agent 是普遍最优配置。

与单个编码助手配合常规 CI 相比,多 Agent 流程增加了专职检查,也增加了规范维护和上下文传递。作者没有提供两种方案的对照数据。长期项目还会遇到任务依赖、旧代码修改、测试覆盖和审查深度问题,原文也明确承认这些尚待解决。

能拿来做什么

  • 开始一次 AI 编程任务前,先写清具体用户、完整操作路径和本轮排除项。做数据看板时,可以先验证从异常发现到详情分析的一条链路,再扩展更多视图。
  • 把人工审批放在实施计划和最终变更两个位置。任务描述应包含缺失字段、异常输入和接口失败等验收条件,让 Agent 有明确的实现与检查目标。
  • 开发 AI 功能时,先判断哪些步骤能用统计、查询或检索完成,再把筛选后的信息交给模型;前端同时为模型超时和限流提供局部降级。
  • 评估 Agent 收益时,分别记录人工投入、交付周期、审查耗时和模型成本。不要直接用 PR 数量推导效率,也不要用 PoC 的基础设施账单估算生产费用。
Original source

本文由 AI 通读原文后重新编写,观点部分为站内判断,细节以原文为准,来源 dev.to · AI,原文版权归原作者所有。

阅读原文
上一篇
Celery 超时重投导致大模型任务重复执行
下一篇
AI 代理运营应用踩坑:五类故障与护栏

资讯速览

dev.to · AI · 2026-11-20 04:52

AI 评分 8.0 / 10

相关标签

#多智能体#AI编程#原型开发

继续阅读

  • 桌面Agent如何划分工具权限与审批
  • Celery 超时重投导致大模型任务重复执行
  • AI 代理运营应用踩坑:五类故障与护栏
  • PostgreSQL 19 为副本读取增加一致性等待
  • 异常时放行:静态检查漏掉的认证漏洞