Agent 交付齐全,架构却偏离需求
作者要求先接入 GitHub 的通用事件入口,Agent 却将数据库与实现绑定到 GitHub,接入 Linear 时暴露扩展性问题。运行消耗数百万 token 和每周额度的 35%,还带来代码取舍、部署回滚及协作返工成本。
AI 深度解读
Agent 用三个小时交出界面、后端、数据库迁移、文档和部署,连营销文案都准备好了。可作者追问能否接入 Linear 时才发现:原本要做通用事件入口,GitHub 只是第一个连接器,最后却得到了一套 GitHub 专用系统。
这篇文章追问的是:即使模型能写对代码、AI 能审好代码,团队是否还理解并掌握自己的系统?作者的结论是,程序员的注意力、理解成本和后续维护,都必须计入 Agent 的收益账。
功能跑通,为什么架构仍然可能做错
作者已有事件总线(event bus),任务是在它前面补一个事件入口和触发机制:接收外部服务的事件,映射到共享系统,再触发相应工作。GitHub 先接入,其他服务随后加入。
关键区别在于,GitHub 应该是适配器,负责把一种外部事件翻译成内部能处理的形式。它不该决定整个系统的数据结构和处理流程。
Agent 却围绕 GitHub 搭建了应用,数据库存的也是 GitHub 事件。接入 Linear 需要另建表,再走一轮实现。作者重新拿出规格和计划,Agent 承认做偏了,然后提出重做。
代价已经发生。按作者的统计,这次运行消耗了数百万 tokens,占去每周额度的 35%。更麻烦的是判断哪些代码和部署该丢弃、回滚改动,以及接收这份「已完成」成果的人损失的工作日。
功能验收通过,只能证明当前路径可用,不能证明架构约束被保留。
GitHub 事件成功进入系统并触发任务,并不足以证明「第一个连接器」已经做好。还要看共享处理逻辑是否独立于 GitHub,下一个连接器能否沿用它。
作者也排查了几个常见解释:规格、计划、验收标准和「我们在构建什么」文档,都以 Markdown 文件的形式在提示中引用;使用的是前沿模型,推理设置为 xhigh,运行环境也是前沿模型实验室自己的 harness,即管理工具调用和执行过程的框架。原文没有公开具体模型名和版本。
这无法证明配置毫无问题,但至少不能轻易归因为模型太弱或完全没有需求。
更棘手的是,Agent 重读文档后能辨认错误,却没在实现过程中持续遵守那条边界。作者怀疑上下文压缩和交接摘要可能放大偏差:一句「GitHub 持久化已完成,继续集成」,可能把错误实现包装成既定决策。不过,他没有定位到确切原因。
加一个 AI 审查员,为什么还没算完账
更好的沙箱能减少清理成本,却无法判断产品方向是否正确。即使所有变更都能一键丢弃,仍然需要有人发现通用入口被做成了专用应用。
那就让另一个 AI 审查。
作者为这个方案设置了很强的前提:把原始提示、规格和计划全部交给 Claude,假设它立即识别架构错误,实施 Agent 按意见修改,双方反复检查,最终交出真正合格的实现。
这里必须分清证据边界:这是思想实验,并非作者描述的实际恢复过程。
他接着把 tokens 成本、返工时间都暂时拿掉。即便如此,最终批准的人仍然是那个理解系统、写出规格的工程师。面对可能超过 100 次的提交、审查、重构和撤销,这个人仍需确认系统最后变成了什么。
压缩提交历史、只看最终 diff,当然有帮助。但最终改动未必因此变小,也未必容易理解。文章用「审查 50+ 次提交」和「相信 AI 审查员」这两个按钮,描述这种责任困境。
如果 Agent 能消化内部返工,只交回清晰、有限的变更,作者认可这是理想结果。问题出在复杂度被交还给人之后,团队却仍把它记作已经节省的工作。
原文引用 DORA 在 2026 年 3 月对 1,110 份 Google 工程师反馈的分析:作者生成得更快,可能让审查者承担更多审计和认知负担。该分析也报告了 AI 的有益用途,因此不能据此断言 AI 降低效率;它支持的是,局部提速可能把工作转移到其他环节。
合并之后,还有下一次改动。
负责接入 Linear 的工程师,是否知道新接口怎么用、映射应该放在哪、持久化策略是什么、哪些行为共享、哪些属于提供方?如果每次都先让 Agent 解释上一轮 Agent 写了什么,再据此发出下一条指令,流程可能继续运转,但组织对系统的理解就越来越依赖这条解释链。
人应该参与在哪一步,才不只是最后签字
作者建议把熟悉系统的工程师留在执行过程中,在关键决定形成时介入。
例如,当 Agent 首次提出 GitHub 专用数据流时,就追问为什么不复用已有总线。此时修正的是一个方向,还不必拆掉围绕错误决定长出来的整个应用。
作者没有实测出准确的最佳干预时机。他描述的是个人经验:自己投入多少注意力,以及两次检查之间累积了多少执行,会影响他对潜在破坏范围的判断。这不是通用公式。
人的作用也不只是叫停。熟悉系统的人知道哪些能力已经存在,哪些需求只需要少量连接代码,以及 Agent 何时把一个集成任务扩成了新产品。生成一万行代码,并不能证明任务需要一万行。
这也改变了「扩到 10 个 Agent」的含义:实现能力可能增加,需要一个人持续理解的决策也可能增加。
原文援引的 AWS 公开指导保留了人的角色。2026 年 7 月的框架建议采用经过审查的规格、受限工具、自动检查、独立 AI 审查,以及与风险相称的人工批准;同时警告,把每项变更都交给人签字,会造成批准疲劳。
10 月 Amazon 工程领导层发布的备忘录,则反对把 token 消耗和代码量当成目标,强调长期结果。这些是公开指导,不能推断所有 Amazon 团队都采用完全相同的内部流程。
我的判断
我认同作者把「持续理解系统」列为工程成本。一个前端或全栈团队的交付能力,包含下一次能否准确修改它。只统计首轮生成速度、代码量或功能演示,很容易漏掉这部分。
但文章没有给出受控对照:同一任务由人独立完成、由人持续指导 Agent、由多个 Agent 自主协作,各自用了多少时间、产生多少缺陷,原文没有数据。一次严重跑偏足以说明风险存在,还不足以确定哪种工作方式普遍最优。
「工程师留在现场」也有成本。如果每一步都盯着,可能损失并行收益;检查过于频繁,也可能把工程师变成工具调度员。相较于一直旁观,我更倾向于把检查放在共享接口、数据模型和复用边界确定时。这是根据案例作出的取舍,并非作者已经验证的结论。
AI 编程的收益,应当按完成变更、有效验收和继续维护所需的总工作来算。
一次性原型与运行多年的生产系统,完全可以采用不同标准。作者并未否定前者的价值。他真正反对的,是把熟悉系统的资深工程师留在流程末端承担责任,却不计算让这个人保持理解所需的投入。
能拿来做什么
- 做 Node 服务的事件集成时,先让 Agent 展示外部事件如何映射到共享事件、哪些逻辑属于适配器,再展开数据库和业务实现。检查应围绕已有架构约束展开。
- 验收第一个连接器时,要求说明第二个连接器要新增和修改哪些位置。GitHub 跑通之外,还要核对接入 Linear 是否需要重复建设共享能力。
- 使用独立 AI 审查员时,把原始规格和架构约束一并提供,并要求最终交付说明接口、持久化和共享行为的变化,帮助接手者理解最终状态。
- 评估日常 AI 编程收益时,同时记录实现、人工检查、返工恢复和后续修改的成本。原型可以侧重验证速度,长期维护的服务还要考察团队能否接着改。