跳至内容

AI 讲明白 · 2026 年 10 月

AI 生产力的主流范式

两个 AI 助手(Claude 和 Codex)被问了同一个问题:当前 AI 成为生产力的主流范式最佳实践到底是什么。两份回答的核心判断一致,缺口刚好互补:一份有证据和反证,一份有工程落地和一次真实项目的体检。我把两份逐条比对、核了每条来源,写成这篇。它回答五件事:范式是什么、证据有多强、支撑它的工程结构、异常路径上的坑、什么时候不该用。

官方模型厂商的文档和工程文章,有利益相关 实证随机对照或大样本登记数据 调查自报问卷 体检一个真实项目的只读审阅和抽查 推断我的判断

先说结论

范式一句话

人定义意图和验收标准,Agent 在受约束、可观测的环境里自主执行,机器可判定的检查闭环,人审证据而不是审过程。

  1. ①人定意图和验收标准
  2. ②Agent 判断和执行
  3. ③机器可判定的检查
  4. ④人审证据,拍板例外
  • 它不是被独立证据确认的「唯一最佳实践」。厂商的工程指南已经高度收敛到这套做法,但厂商卖的就是这套工作方式。独立实证一致支持的是更窄的一句话:收益来自围绕 AI 重新设计的工作流和验证机制,而不是工具本身。
  • 范式有两层。方法层讲人怎么和 Agent 协作:写清验收标准、管好上下文、造检查、沉淀经验。本站已有四篇细讲,这里只带过。工程层讲「AI 负责判断,编排程序负责流程」:状态持久化、可恢复、权限边界、验收分层、按指标加复杂度。这篇重点在工程层。
  • 分水岭在异常路径。正常路径(派任务、开 PR、CI 返修)大多数人都能跑通。能不能当生产力用,取决于停止、崩溃、响应丢失、预算耗尽时系统怎么表现。一次真实项目的体检,缺口全在这里。

范式闭环

四个角是范式的四步,中间是编排程序。步与步之间的衔接、每一次中断后的恢复,都归它;Agent 只在自己那一格里做判断。

任务 + 验收标准 产出 + 证据 通过的证据,以及没通过的原因 沉淀 规则 · 检查 · 记录 不通过:返修 次数受预算限制 ① 人:定意图和验收标准 目标、上下文、约束、验收标准 ② Agent:判断和执行 在受约束、可观测的环境里 ③ 检查:机器可判定 确定性检查,再模型评审 ④ 人:审证据,拍板例外 不审过程;只管影响正确性的 编排程序:流程归它 任务状态 · 权限审批 · 预算 · 超时 重试 · 通知 · 幂等 · 崩溃后恢复
右侧虚线是返修:检查不过,失败证据回到 Agent,次数由编排程序按预算控制。左侧是沉淀:这一轮留下的规则、检查和记录,进入下一轮的任务定义。推断 图是我按两份回答和下文几篇官方文章归纳的,官方没有给出这样一张图。

证据有多强

把两份回答里的事实性断言拆开,逐条找一手来源。标「官方」的都是模型厂商写的,读的时候带着这一层。

断言证据等级
厂商指南已收敛到同一套做法 Claude Code 官方最佳实践的第一节就是「Give Claude a way to verify its work」,常见失败模式里写着 If you can't verify it, don't ship it. OpenAI 的 Codex 最佳实践要求一个任务带四样:目标、上下文、约束、验收标准(原文 Goal / Context / Constraints / Done when)。2025 年 12 月 9 日,Anthropic 的 MCP 和 OpenAI 的 AGENTS.md 一起进入 Linux Foundation 新成立的 Agentic AI Foundation,两家都是白金会员。 官方
能力边界内、有验证的任务,AI 提升效率,新手获益更多 客服随机对照(Brynjolfsson、Li、Raymond,QJE 2025):每小时解决问题数平均 +15%,新手提升最多,资深几乎不变。BCG 顾问实验(Dell'Acqua 等):边界内的任务,用 AI 的人效率和质量都更好,原本较弱者获益更大。宝洁 776 名员工的现场实验(Dell'Acqua 等,2025):一个人加 AI 的方案质量,与没有 AI 的两人团队相当。 实证
边界外、靠判断的任务,用 AI 可能更差 BCG 那项实验里特意挑了一项边界外的任务,用 AI 的人更可能得出错误结论。具体百分比见同样用 AI,差距在哪,本次没能重读原文。 实证
没有客观检查时,体感不可信 METR 2025 随机对照:16 名资深开源开发者在自己熟悉的仓库里做 246 个任务,用 AI 实测慢 19%(置信区间 +2% 到 +39%),事前预期快 24%,事后自评快 20%。2026 年 2 月的更新把点估计翻成了提速(原班人马 −18%,新招 −4%),但两个区间都跨过 0,METR 自己判定为 an unreliable signal:30% 到 50% 的参与者把不想手做的任务藏了起来,还有人同时跑多个 Agent 无法计时。 实证
宏观的收入和工时尚未体现 Humlum 与 Vestergaard 用丹麦登记数据(NBER w33777,2026 年 3 月修订):ChatGPT 发布两年后,工人和工作场所两个层面的收入与登记工时都是 precise null effects,排除了超过 2% 的影响。变化出现在任务重组:内容生成、AI 监督、AI 集成这类新任务已经普遍。 实证
AI 放大组织已有的强项和弱项 DORA 2025 报告原话:AI's primary role is as an amplifier, magnifying an organization's existing strengths and weaknesses. 报告配套的七项能力清单我没有读到原文,不在这里列。 调查
使用者只在能验证时才信任 Stack Overflow 2026 开发者调查(2026 年 10 月 6 日发布):问「你多信任 AI 工具或 Agent 的输出」,48.0% 选「能轻松验证输出时信任」,只有 6.6% 选「包括重要工作决策在内的很多任务都信任」(n = 14,304)。编码助手和 Agent 已是最主要的用法(66%)。 调查
「范式整体」被独立检验过 没有。工程指南全部来自厂商;随机对照测的是单个工具或单类任务,没有一项把「定验收、沙箱执行、检查闭环、审证据」作为一个整体去比较。 推断
确定

有验证、在边界内,AI 有效;体感不可信

多项独立实证,方向一致。新手获益更多,边界外可能更差。

大致确定

范式的具体做法

先定验收标准、造检查、规则进仓库、硬规则用确定性机制。来源是厂商文档,彼此一致,但没有独立研究把这套做法作为整体检验过。

没定论

净收益到底多大

资深工程师用 Agent 的净收益;宏观层面的收入与工时;模型评审能替代多少人审。见文末。

OpenAI 2026 年 2 月也发表过同方向的工程文章(Harness engineering)。写这篇时原文无法读取,按未核实处理,不引用其中任何数字。未核实

方法层:五个环节,各有细讲

这一层本站已经写透,这里只给结论和出处。两份回答里,Claude 那份把它讲全了,Codex 那份漏了官方点名的第一约束:上下文窗口。

  1. 01
    先定意图和验收标准,再委派 官方

    Codex 官方要求一个任务带目标、上下文、约束、验收标准四样;Claude Code 官方说 Time spent making the spec precise pays off more than time spent watching the implementation. 大功能让 Agent 先访谈你、写成 spec,再开新会话执行;能用一句话描述 diff 的小改动跳过计划。

    细讲:同样用 AI,差距在哪。选哪类活交给 Agent,见 Agent 上岗手册的四象限。

  2. 02
    把上下文当预算管 官方

    官方原话:Most best practices are based on one constraint: Claude's context window fills up fast, and performance degrades as it fills. 无关任务之间清空,调研交给子 Agent,同一个问题纠正两次还不对就清空重来。规则文件要短:Bloated CLAUDE.md files cause Claude to ignore your actual instructions!

    细讲:经验该沉淀到哪。

  3. 03
    给它一个能自己跑的检查 官方

    官方把这条放在第一节。检查由轻到重四档:写进提示词、/goal、Stop hook、独立评审;最重的一档让新模型来反驳结果,so the agent doing the work isn't the one grading it.

    细讲:验证闭环四档,附同一任务四档各跑 3 次的实测。

  4. 04
    人审证据,不审过程 官方

    要它拿出测试输出、跑过的命令和返回、截图,而不是一句「成功了」。官方说审证据比自己重跑一遍快,也适用于你没盯着的会话。独立评审只报影响正确性和需求的问题,否则会越改越复杂。

  5. 05
    沉淀和测量 官方 实证

    规则写进仓库但要短;必须零例外执行的用 hook:Unlike CLAUDE.md instructions which are advisory, hooks are deterministic and guarantee the action happens. 改动有没有用,用固定任务集前后对比,不用体感,这是 METR 的教训。

    细讲:经验该沉淀到哪、AI 提效账本。

工程层:判断归 AI,流程归编排程序

方法层解决「一次会话怎么做好」。要让「发一句需求,AI 持续处理并反馈」成为稳定的生产力,还要一层工程结构。Codex 那份回答把它概括为「让 AI 自主解决问题,让程序负责管理流程」,这是 Claude 那份的缺口。我把它拆成六条,每条找了一手依据。下文把管状态、权限、预算、重试、恢复的那层代码叫编排程序,Anthropic 的文章里叫 harness。

01

先分清哪些归程序、哪些归 AI

推断

归编排程序 · 确定性执行

  • 任务状态和进度
  • 权限判定和审批记录
  • 预算、超时、重试次数
  • 通知和投递记录
  • 请求幂等和去重
  • 崩溃后的盘点与恢复

归 AI · 需要判断

  • 分析原因、制定方案
  • 修改代码、写文档
  • 解释失败,选择下一步
  • 判断证据够不够
  • 判断什么时候该停下来问人

分界线是一句话:需要判断的交给模型,必须每次都发生、而且不需要判断的交给程序。这和方法层里「建议写 CLAUDE.md、强制用 hook」是同一条原则,只是从一次会话放大到了整个交付流程。

02

要紧的状态不放在编排程序里

官方

Anthropic 2026 年 4 月 8 日的《Scaling Managed Agents》把一个 Agent 拆成三件可以独立替换的东西:session 是只追加的事件日志,harness 是调用模型、分发工具调用的循环,sandbox 是跑代码、改文件的执行环境。关键的一句:

Because the session log sits outside the harness, nothing in the harness needs to survive a crash. 编排程序崩了,新起一个用 wake(sessionId) 从日志的最后一个事件接着跑;容器死了,the harness caught the failure as a tool-call error and passed it back to Claude,当作一次工具调用错误交回模型重试;凭据从不进编排程序:The harness is never made aware of any credentials.

含义聊天记录不是状态。任务进度、待审批项、已发通知、重试次数,要有编排程序之外的落点,才能在关掉应用、换模型、执行进程崩溃之后继续。

03

长任务:状态落到文件里,功能清单只许翻一个字段

官方

Anthropic 2025 年 11 月 26 日的《Effective harnesses for long-running agents》,针对跨越多个上下文窗口的任务:初始化 Agent 先写好 init.sh、一份进度文件和首个 commit,并把需求展开成 JSON 功能清单,每一项初始为 "passes": false。编码 Agent 只被允许改 passes 这一个字段,提示词里写明 It is unacceptable to remove or edit tests because this could lead to missing or buggy functionality. 每个会话只做一个功能,动手前先跑一遍基本的端到端测试,验收时用浏览器自动化 do all testing as a human user would.

含义验收清单由人(或初始化阶段)定,干活的 Agent 只能翻状态位,不能改题。这正是方法层「检查放在 Agent 够不着的地方」在长任务上的形态。

04

自主程度按任务类型分配,从最简单的结构开始

官方
工作类型合适的方式
探索想法、讨论方案、澄清需求人与 AI 交互,逐步形成判断
修 bug、实现功能、做调研把目标和验收标准完整委派,由 Agent 选执行步骤
已经稳定的重复工作程序化流程负责调度,AI 只处理其中需要判断的环节
可以独立拆分的复杂工作按需用多个 Agent,各自交付物和整合责任写清

这张表是 Codex 那份回答给的,依据是 Anthropic 2024 年 12 月 19 日的《Building effective agents》:workflow 是 systems where LLMs and tools are orchestrated through predefined code paths,agent 是 systems where LLMs dynamically direct their own processes and tool usage;只有 open-ended problems where it's difficult or impossible to predict the required number of steps 才需要后者。总原则:finding the simplest solution possible, and only increasing complexity when needed. 官方还建议先直接用模型 API,框架会把提示词藏起来。

含义多 Agent、长时间自主循环不是默认配置,是加复杂度,得有理由。理由是什么,见第 06 条。

05

验收分层:确定性检查,再模型评审,再人工判断

官方

CI 通过只能证明已有的检查通过了,证明不了产品满足了需求。所以验收要分层,每层补上一层看不见的东西。Anthropic 2026 年 1 月 9 日的《Demystifying evals for AI agents》给了几条可以直接用的规则:

  • 评分器的优先级:choosing deterministic graders where possible, LLM graders where necessary or for additional flexibility;用模型评分时,LLM-as-judge graders should be closely calibrated with human experts.
  • 评什么:often better to grade what the agent produced, not the path it took. 和方法层的「审证据不审过程」是同一句话。
  • 两类评测:能力评测起点通过率应该低,回归评测应该接近 100%。
  • 怎么算:pass@k 是 k 次里至少一次成功,pass^k 是 k 次全部成功。单次成功率 75% 的流程,连续三次全过只有约 42%。

含义要当生产力用,问的是「它能连续三次都对吗」,不是「它有没有成功过」。一次漂亮的演示是 pass@k,日常可靠是 pass^k。

06

权限边界由系统落实;加不加复杂度看五个数

官方推断

Claude Code 官方给的两个减少打扰的工具都是确定性的:allowlist 放行你信得过的命令,OS 级沙箱限制文件系统和网络。原则是:「可以自主干活」和「可以影响整台电脑」在架构上分开,这条边界由系统落实,不由提示词落实。推送主干、合并、发布、改生产数据由人确认;一次授权不自动延续到下一次。

至于多 Agent、额外评审、长时间循环要不要上,Codex 那份回答给了五个数:任务成功率、人工介入时间、返工率、交付时间、成本。这比「用测量」具体,也和 METR 的「体感不可信」一致。前后对比用固定任务集,做法见AI 提效账本。DORA 的「放大器」结论放在这里也成立:底层交付体系越差,加 Agent 放大的越是问题。推断

一次体检:正常路径都通了,异常路径没有

Codex 那份回答附带了对一个真实项目的只读审阅:一个个人 Agent 工作台,桌面应用和 IM 接需求,打包好的编排程序驱动 Agent,GitHub 承载 PR、CI 和评审。流程是「接需求 → 形成任务和验收标准 → Agent 执行 → 提 PR → 接收 CI 和评审反馈 → 预算内返修 → 按授权规则交付 → 保存结果」。体检

正常路径有实测记录:开 PR、CI 返修、评审返修都跑通过。我让 Claude 在更新过的版本上抽查了其中四条缺口,仍然成立。缺口全在异常路径,下面抽象成通用教训,不含项目细节。每条先写体检里看到的现象,再写原则。

  1. 「停止请求已发出」不等于「已停止」

    现象读取会话列表失败被当成「没有在跑的会话」;停止超时也正常返回;界面随即显示已停止。

    原则状态里要有「停止中 / 停止失败 / 状态未知」,核对执行状态后才宣布成功。关闭期间禁止新派任务、自动恢复和自动返修。

  2. 编排程序退出不等于执行进程退出

    现象编排程序退出后,正在执行的 Agent 宿主可以继续存在;应用重启时发现编排程序还在运行,就直接恢复上班状态,没有先盘点。

    原则崩溃重启先盘点:哪些在跑、哪些卡在审批、哪些结果没确认。盘点完再决定恢复什么,不自动接单。

  3. 幂等键要在发请求之前落盘

    现象每次派任务新生成一个请求 ID,成功响应之后才记录会话。响应丢失后重试,会重复创建。

    原则请求 ID、结果是否已确认、待发的通知,在发请求之前写进本地持久记录。会话本身仍由上游管,这层记录很轻。

  4. 通知要有投递记录和补发

    现象先标「已通知」,发送失败只写日志,没有补发。

    原则通知是状态的一部分:未送达要能看见、能补发。

  5. 「平台允许合并」不等于「达到交付标准」

    现象界面把上游的「可合并」显示成「CI 已通过,可以合并了」,而上游的可合并判断并不强制要求 CI 通过,更不检查需求验收证据。

    原则交付判断绑定三样:最新提交的必需检查、评审结论、需求验收证据。缺一样就不说「可以合并」。

  6. 返修预算按事件计数,并且持久化

    现象「连续三次 CI 失败就暂停」按界面状态切换计数,可能重复也可能漏计,重启后清零;关闭自动返修失败被吞掉,通知却说已暂停。

    原则按任务、PR、提交、失败事件计数并落盘,重启不清零。暂停失败如实报告。

  7. 批量授权要有范围和有效期

    现象「本会话全部允许」这类批量放行一旦点下,同一会话后续的请求都自动通过,不区分工具和风险等级,直到开新会话或下班才失效。

    原则批量放行限定工具、目录和时间;强推、推主干、合并这类高风险动作逐条决策。

  8. 所有入口走同一套权限

    现象权限配置只对一种 Agent 完整落实,另一种还待定,界面却把两种都展示为可用。

    原则桌面、IM、崩溃恢复、后台返修,进同一个权限判定;没落实的不展示。

修的顺序

停止可信→崩溃恢复→权限一致→请求与通知持久化→交付验收→返修预算与并发

前三项是扩大真实使用范围的门槛:停不下来、恢复会重复、权限不一致,哪一条都不能让你放心地多派一个任务。后三项决定的是质量和成本。推断

体检本身的两个教训
  • 审阅用的基线落后当前版本十几个提交。体检要对着当前版本做,结论里写明基线。
  • 有一条被写成疏漏的「缺口」,其实是项目决策记录里写明的有意取舍:沿用上游原样、不打补丁,并在使用说明里提示高风险动作要逐条点允许。教训是两面的:批量授权确实该有边界;审阅者也该先读决策记录,再下结论。

验收这类工作台下一阶段最值得做的验收,是挑一个真实 bug 完整走一遍流程,并证明四件事:中断后能继续、失败能停下、结果可核查、执行不越界。正常路径跑通只是起点。

什么时候不该用这个范式

范式的前提是「结果能被机器判定」。前提不成立时,硬套只会更差。

  • 结果验证不了、靠判断的任务:合规结论、对外承诺、方案取舍。BCG 实验里边界外的任务用 AI 更差;开发者里只有 6.6% 信任 AI 做重要决策。Agent 整理资料,结论人下
  • 步骤可以预知的任务。官方的说法是:只有步数无法预测的开放问题才需要 Agent。写脚本,别上 Agent
  • 还没有任何能跑的检查。先造检查,再派任务
  • 代价高又没有回滚手段的动作:生产发布、批量改数据、权限改动。人工闸门,不进自动流程
  • 你想保持手艺的那部分。Anthropic 内部调查里工程师提到的「监督悖论」:监督 AI 需要的能力,恰恰可能因为交给它太多而退化。刻意自己做

第一条的依据是实证,第二条是官方,第三、四条是推断,第五条是自报(见同样用 AI,差距在哪的「判断力会被用退化」一节)。

还没定论的

  • 资深工程师用 Agent 的净收益。唯一的随机对照是 METR 的,2026 年 2 月的更新被 METR 自己判为不可靠,正在重做实验设计。目前没有可靠的独立数据。
  • 宏观层面。丹麦的登记数据里,收入和工时两年后仍是精确的零。任务在重组,但还没变成收入。
  • 范式整体没有被独立检验。所有工程指南都来自厂商。它们彼此一致,这是「共识」的证据,不是「有效」的证据。
  • 模型评审能替代多少人审。官方的说法是模型评分器要和人工专家校准,可校准到什么程度够用,没有公开数据。
  • 多 Agent 什么时候净收益为正。按五个数决定,没有通用答案。

怎么来的,以及来源

方法

两份回答都生成于 2026 年 10 月 17 日。我先把两边的事实性断言拆开逐条找一手来源,冲突时以一手来源为准;再把两边的结构合并:证据和反证取自 Claude 那份,工程落地和体检取自 Codex 那份;Codex 漏掉的上下文约束补回来,Claude 漏掉的编排状态与恢复补回来。读不到原文的来源按未核实处理,不引用其数字。

  • 官方 Anthropic,Best practices for Claude Code。2026 年 10 月 18 日读取。
    https://code.claude.com/docs/en/best-practices
  • 官方 Anthropic,Building effective agents,2024 年 12 月 19 日。
    https://www.anthropic.com/engineering/building-effective-agents
  • 官方 Anthropic,Effective harnesses for long-running agents,2025 年 11 月 26 日。
    https://www.anthropic.com/engineering/effective-harnesses-for-long-running-agents
  • 官方 Anthropic,Demystifying evals for AI agents,2026 年 1 月 9 日。
    https://www.anthropic.com/engineering/demystifying-evals-for-ai-agents
  • 官方 Anthropic,Scaling Managed Agents: Decoupling the brain from the hands,2026 年 4 月 8 日。
    https://www.anthropic.com/engineering/managed-agents
  • 官方 OpenAI,Codex Best practices。页面未标日期,2026 年 10 月 18 日读取。
    https://learn.chatgpt.com/guides/best-practices
  • 官方 Linux Foundation,Agentic AI Foundation 成立公告,2025 年 12 月 9 日。
    https://www.linuxfoundation.org/press/linux-foundation-announces-the-formation-of-the-agentic-ai-foundation
  • 实证 Brynjolfsson、Li、Raymond,Generative AI at Work,QJE 140(2),2025;工作论文为 NBER w31161。
    https://www.nber.org/papers/w31161
  • 实证 Dell'Acqua 等,Navigating the Jagged Technological Frontier,HBS 工作论文 24-013,2023;期刊版 Organization Science 2026。本次原文无法读取,只用定性结论。
    https://ssrn.com/abstract=4573321
  • 实证 Dell'Acqua 等,The Cybernetic Teammate,NBER w33641,2025。
    https://www.nber.org/papers/w33641
  • 实证 METR,Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity,2025;以及 We are Changing our Developer Productivity Experiment Design,2026 年 2 月 24 日。
    https://arxiv.org/abs/2507.09089
    https://metr.org/blog/2026-02-24-uplift-update/
  • 实证 Humlum、Vestergaard,Large Language Models, Small Labor Market Effects,NBER w33777,2026 年 3 月修订。
    https://www.nber.org/papers/w33777
  • 调查 DORA,State of AI-assisted Software Development 2025。只引用「放大器」一句。
    https://dora.dev/research/2025/dora-report/
  • 调查 Stack Overflow,2026 Developer Survey,2026 年 10 月 6 日发布,自报数据。
    https://survey.stackoverflow.co/2026/ai/data/ai-trust
  • 体检 一个个人 Agent 工作台的只读审阅(2026 年 10 月 17 日)与抽查(2026 年 10 月 18 日)。项目细节不公开。
  • 未核实 OpenAI,Harness engineering,2026 年 2 月 11 日。原文无法读取,未引用。

整理于 2026 年 10 月 18 日。标「推断」的是我的判断,没有研究直接支持;标「官方」的来自模型厂商,有利益相关。