先让结果可验证,再放手
厂商经验agent 最大的价值不是写得快,而是能自己跑验收、自己修。没有验收,它写得越快,你要审的就越多。Anthropic 的建议也是“充分测试,靠结果决定要不要加复杂度”。
怎么做:单测、类型检查、lint、构建、端到端测试都能一条命令跑完,并写进规约,告诉 agent 改完必须全绿再汇报。
写于 2026-09-22 · 数据截至 2026 年 8 月
现在 agent 最缺的已经不是能力了。它能连续干几个小时的活,大多数开发者每天都在用; 真正卡住落地的是接入、质量和验收。这篇讲三件事:发展到了哪一步, 接下来往哪走,以及怎么让它真正成为生产力工具。
01 · 现状
METR 的衡量方法:给 agent 一批任务,每个任务先测出人类专家需要多久,然后找出 agent 成功率刚好 50% 的那个时长。 这个数字大约每 7 个月翻一倍;只看 2024 年以来,缩短到约 3 个月。
但这个基准测的是边界清晰、可以自动评分的任务。放到真实工作里,结论要打折扣: METR 在 2025 年做过一次随机对照实验,资深开源开发者在自己熟悉的大仓库里用 AI 工具,实际慢了 19%, 事后却觉得自己快了 20%。2026 年 2 月 METR 补充说,参与者普遍认为现在的提速比当时大,但实验本身的选择偏差让数据很难解读,所以正在重新设计实验。 一手数据
02 · 趋势
LangChain 的调查里,头号障碍是质量(32%),其次是延迟(20%);2000 人以上的企业把安全排在第二(24.9%)。成本的排名比上一年明显下降。
换句话说,大多数团队已经不再纠结“模型够不够聪明”,而是卡在“接进真实系统之后,结果能不能稳定可靠”。
2025 年 12 月,Linux Foundation 成立 Agentic AI Foundation。Anthropic 贡献了 MCP(连接工具和数据),OpenAI 贡献了 AGENTS.md(仓库级的 agent 规约),Block 贡献了 goose(agent 框架)。AWS、Google、Microsoft 都是白金会员。
接入工具的方式正在统一,“写一次规约,所有 agent 通用”也成了可能。
Anthropic 在 2025 年 9 月把上下文称为有限的“注意力预算”:塞进去的 token 越多,模型对每一条信息的把握越差。应对办法是压缩历史、把笔记写到上下文之外、用子 agent 隔离噪音、需要什么再现取什么。
决定成败的不再是一段写得多漂亮的提示词,而是每一步都给它恰好够用的上下文。
任务时长拉长以后,人盯着对话框等结果就不划算了。主流 coding agent 都加上了后台任务、子 agent、定时触发和云端运行。
人的角色从“一步步指挥”变成“派活、验收、拍板”。能同时管几个 agent,会成为一项新的工作技能。
Anthropic 的《2026 State of AI Agents》调查了 500 多位技术负责人,结论是企业正在从单步自动化,转向跨多个团队的多阶段流程。
这份报告由模型厂商发布、面向自家客户,数字可能偏乐观,但方向和其他调查一致。
03 · 落地 · 选活
判断一件事该不该交给 agent,只需要看两个维度:结果能不能自动验证,以及出了错代价有多大。 编程之所以最先落地,就是因为测试、类型检查和构建能自动告诉 agent “你错了”。 推断
数据库迁移、权限与鉴权改动、生产发布、批量改数据。让 agent 起草和自测,关键一步必须由人确认。
医疗、法律、合规结论,对外承诺,没有回滚手段的操作。agent 只做资料整理,结论由人来下。
补测试、重构、脚手架、依赖升级、按规范修 lint、写接口文档。跑完一套验收再来找你。
调研综述、方案草稿、文案、会议纪要。省下打字的时间,但判断仍然要自己做。
03 · 落地 · 路径
不要一上来就搞“全自动流水线”。每个阶段都有一个明确的毕业信号,达到了再往下一步走。推断
在自己的仓库里用 coding agent 做可验证的小活:补测试、查问题、改样式。人全程在场,逐步确认。
把踩过的坑写进仓库:AGENTS.md、项目 skill、lint 规则、契约测试。所有人的 agent 读同一套规约。
后台、并行、定时运行:自动修 CI、批量升级依赖、夜间回归。人只在闸门处审批。
04 · 最佳实践
每一条都标了依据。“推断”类是这篇文章自己的判断,没有经过测量,请带着怀疑看。
agent 最大的价值不是写得快,而是能自己跑验收、自己修。没有验收,它写得越快,你要审的就越多。Anthropic 的建议也是“充分测试,靠结果决定要不要加复杂度”。
怎么做:单测、类型检查、lint、构建、端到端测试都能一条命令跑完,并写进规约,告诉 agent 改完必须全绿再汇报。
AGENTS.md 已经交给 Linux Foundation 托管,成了跨工具的约定。规则分散在各处,最后只会互相矛盾。
怎么做:AGENTS.md 作为唯一正文,CLAUDE.md 等其他入口只做转发。能用代码保证的约束(类型、lint、契约测试)优先写成代码,文档只解释意图。
常驻的规则、记忆、工具说明越堆越多,agent 就越拘谨、越容易漏掉关键信息。这也是“新模型用起来反而不顺手”的常见原因之一。
怎么做:常驻文件只保留优先级和高风险护栏;专项知识放进按需加载的 skill;长任务让 agent 自己写进度笔记;大范围搜索交给子 agent,只带回结论。定期清理互相冲突的记忆。
Anthropic 在《Building effective agents》里区分了两种形态:步骤预先写死的 workflow,和自己决定下一步的 agent。任务边界清楚时,前者更便宜、更可控、更好调试。
怎么做:先写脚本或固定流水线;只有在“下一步做什么”确实取决于中间结果时,才让 agent 自己决策。
agent 犯的错,很多出在工具本身:描述含糊、参数有歧义、报错信息看不懂。给 agent 用的界面,值得和给人用的界面花同样多的心思。
怎么做:工具名和参数用业务语言命名;报错要说清“错在哪、下一步该怎么做”;返回结果只给需要的字段,不要整张表倒过去。
agent 有了执行权,删库、推错分支、泄露凭据、被网页里藏的指令劫持都成了现实风险。大企业把安全列为第二大障碍,原因就在这里。
怎么做:只读操作放行;写操作限定在工作目录和分支内;迁移、推送主干、改生产数据、对外发布必须由人确认。一次授权不能自动延续到下一次。测试只连专用数据库。
METR 的实验里,开发者实际慢了 19%,却觉得自己快了 20%。LangChain 调查中只有 52.4% 的团队做了离线评测,靠人工评审的有 59.8%。
怎么做:留 10 个左右自己的真实任务,提示词固定下来。换模型、改规约、加 skill 之后原样重跑,对比通过率和返工量,而不是对比“顺不顺手”。
结论
模型每隔几个月就更强一截,这部分不用我们操心。我们能掌控、也最值得投入的是三件事: 挑能验证的活、把规约写进仓库、在高风险处设闸门。验收越自动,就越能放心把活交给它。
本文由 AI 整理。数字均来自上述一手来源的公开页面;标“推断”的部分是作者的判断,没有数据支撑。