七个编程智能体并行后,为何退回单个
作者分享将七个并行编程智能体收缩为单个的经历,此前已采用独立工作树、测试数据库、文件分工和集成审查。调整前后提交与合并数量明显变化,但摘要尚未展开具体原因。
AI 深度解读
同时开 7 个 Coding Agent,配好独立分支、测试数据库、任务说明和审查流程,开发就能成倍提速吗?Since 的作者跑过一轮后,选择退回串行构建:只读调研可以并行,修改代码必须按顺序推进。
这次调整最有价值的地方,不是提交数从 1,283 降到 269,而是暴露了一个容易被测试掩盖的问题:每份改动单独看都对,合在一起却不成立。对正在用多个 Agent 同时改项目的程序员,这比讨论哪个模型写代码更快更有参考价值。
配齐隔离和审查,为什么还是十分钟就停了
作者开发的 Since 会跟踪代码依赖的软件包、AI 模型、API 和运行时,并在依赖变化时发起修复 PR。大部分代码由 Coding Agent 编写,作者负责规划、审查和纠偏。
10 月下旬,他们重建产品的一大部分,把工作拆成多个并行任务。每个任务都有独立的 worktree、分支和测试数据库,还有书面规格、共同规则,以及允许修改的文件范围。实现完成后,要经过独立审查、修复,再由集成者合入主线并运行完整测试。
这套流程并不草率。10 月 27 日记录的最后一次完整运行中,5,739 个单元测试和 1,717 个数据库测试全部通过。
但第一次启动就出了问题。10 月 26 日,7 个任务并行运行,十分钟后全部被叫停。独立审查者只读计划和代码,就发现了三类缺口:
- 某些函数实际位于分给其他任务的文件里,两个 Agent 都认为自己有权修改。
- 作者已经作出的两个决定,涉及无人负责的代码,计划里没有执行者。
- 两个任务准备向同一个 schema 块追加内容。
问题不是分支没有隔离,而是逻辑责任没有随文件边界一起隔开。
他们当时补了一条规则:并行任务启动前,先让只读审查者检查计划,耗时约十五分钟。作者后来认为,这个补救仍停留在「把计划写好」的层面,没有追问任务到底能不能拆开。
测试都过了,错误为什么还在任务之间
接下来,他们进入循环:并行构建,整体测试,收集问题,再拆成并行修复任务,合并后重新测试。
到 10 月 28 日,团队已经跑了四轮 QA,累计约 160 项发现。修一个问题,就补一套机制或特殊路径;下一轮,又在这些新增代码里发现问题。
当天一次复测报告了 58 项发现,其中 15 项为高优先级。测试尚未结束,已有 14 项被陆续合入的修改修好;原文随后说,另外 42 项被分给 6 个任务。这组数字没有完整解释,不能直接拿来计算修复率。
更关键的是,这 6 个任务在九分钟内全部完成合并。
六份修复进入同一份代码前,没有人或 Agent 把它们放在一起读过。
第二天,类似情况再次出现:5 条并行修复线各自通过检查,问题却在集成时出现。团队甚至专门提交了一次跨任务修复,处理那些不属于任何单独任务的错误。
这解释了作者为何用「不够准确」描述并行构建。局部审查回答的是「这份实现是否满足自己的规格」,全局正确性还要求回答「它与其他改动是否仍遵守同一套约定」。前一个问题通过了,后一个问题未必有人负责。
10 月 28 日,作者要求停止在修复上继续叠修复,先诊断根因。11 月 3 日,Agent 再次提出并行修复方案时,他明确要求改为串行构建。
改回串行,解决的是排错范围
从 11 月 5 日起,新规则变得很短:计划步骤在制定计划的同一会话里,按顺序直接在 main 上执行。不再启动构建任务流,不再为构建创建 worktree,也不再通过合并汇集实现。
只读研究仍可并行,包括读代码、查文档、核对服务商页面和审查计划。
作者在 11 月 16 日读取 main 的 git log:10 月 26 日至 11 月 4 日有 1,283 次提交,其中 129 次是合并;11 月 5 日至 15 日有 269 次提交,合并为零。
提交数减少不能直接解释为效率下降。前一阶段包含重建、合并、集成修复,以及集成修复带来的后续修复;后一阶段主要是完成一项修改、补测试,再进入下一项。
串行带来的确定收益,是缩小了定位范围:新问题要么来自刚完成的步骤,要么原本就存在,不必同时拆解六份未经共同审查的修改。
不过,串行没有让验证自动可靠。
11 月 5 日,一次测试失败仍被提交,因为测试输出通过管道交给 grep,shell 返回的是 grep 的退出码。grep 找到了目标行,返回零,并不代表测试成功。团队改为把测试运行器输出写入文件,读取运行器自身的退出码,只在其为零时提交。
共享工作目录也有风险。11 月 4 日,一条用于临时验证规则的命令,在主工作目录执行了真实的 git stash,把其他会话尚未提交的修改一起收走。虽然一分钟内恢复且没有丢失,团队仍限制了会改变 Git 状态的命令,只运行任务确实需要的操作。
测试同样可能争抢资源。11 月 3 日,两次集成测试共用数据库,同时推送 schema、阻塞彼此事务,一个下午出现 11 次超时,测试记录也被破坏。最终处理办法是一次只跑一轮集成测试。
我的判断
作者最有说服力的判断,是文件隔离不等于语义隔离。共享类型、schema 和跨模块约定,都可能让两个互不碰文件的任务发生冲突。对重构和连续修复,这个提醒尤其有用。
但「串行更好」仍是他们团队的经验,原文没有提供同类任务的对照实验,也没有交付周期、缺陷率或成本数据。前后阶段的工作内容不同,不能用提交数证明生产率提升,更不能据此否定所有多 Agent 工作流。
作者认为,人类团队靠 PR 互审、日常沟通和长期记忆补齐上下文,而 Agent 只有各自任务的清晰视野。这个解释合理,但仍是推断,原文没有验证更强的跨任务审查能否改变结果。
相比全面串行,我更倾向于按耦合程度决定并发:共享约定多的改动顺序推进,真正独立的代码保留并行。作者也认可两个仓库,或没有共享文件、类型和 schema 的部分可以同时开发。
该质疑的不是并行本身,而是任务之间真的独立吗。
另外,直接在 main 上修改是他们的实现选择,不是串行的必要条件。普通团队仍可保留分支和 PR,只控制同时进入验证与集成的改动数量。
能拿来做什么
- 给多个 Agent 分配前端或 Node 重构前,先安排只读检查,列出共享类型、schema 和跨模块约定,同时找出无人负责的决定,再判断哪些任务能并行。
- 同一代码库连续出现集成问题时,暂停并行修复,先诊断根因,再按步骤修改和验证,避免每个任务各补一套特殊路径。
- 检查日常 AI 编程使用的测试命令,尤其是经过 grep 等管道处理的命令,确保提交依据来自测试运行器自身的退出码。
- 并行跑集成测试前,确认数据库是否真正隔离;如果共用同一份数据库,就先限制为一次一轮,并给合并后的共同审查留出明确时间。