十年老技术开发的 AI Agent 探索之路

📌 一句话摘要

一位十年经验的技术开发者，通过从手动管理多个 AI 终端到构建 24 小时无人值守的 Agent 系统，分享了从 Task-Driven 到 Goal-Driven 的认知跃迁和工程实践方法论。

📝 详细摘要

本文是一位资深前端开发者在 AI Agent 领域的深度实践总结。作者从手动管理 4-6 个 AI 终端（codex、gemini-cli、claude 等）的瓶颈出发，逐步构建了名为「24h 打工人」的自动化 Agent 系统。文章核心内容包括：80%的 AI 需求可用 10 行 Bash 脚本解决，提出「代码优先于 Prompt」的决策层级；通过 Vibe Coding 翻车经历，论证了 SDD（Spec-Driven Development）的重要性；详细介绍了基于「文件+轮询」的自建调度层架构、智能并发策略和工具失败自动切换机制；记录了 Agent 自我修复 bug 的自举案例；总结了从 demo 到生产级系统的治理要点（Observability、Eval、Control Plane）；最后展望了从 Task-Driven 到 Goal-Driven 的演进路径，强调「增强自我，而非取代自我」的核心价值观。

💡 主要观点

1. 人是 AI 并发的瓶颈，解决方案是让系统不再依赖人的实时在场。 手动管理 4-6 个 AI 终端时，人脑的 context switch 会崩溃。真正的命题不是让 AI 更聪明，而是将依赖人的高频工作改造成可持续执行、可观测、可复盘、可优化的系统。
2. 80%的 AI 需求不需要 AI，代码优先于 Prompt。 提出目标→代码→CLI→Prompt→Agent 的决策层级，每往上一层不确定性增加一个量级。能用 10 行 Bash 解决的，别折腾 AI，这是尊重工程而非反 AI。
3. SDD（Spec-Driven Development）是 Agent 系统的地基，Vibe Coding 是先易后难的陷阱。 Vibe Coding 前期省掉的设计时间，后期会以 10 倍的 debug 时间还回来。SDD 通过 spec→plan→tasks 的标准化流程，让 AI 的每一步都有据可查，是实现自举和进化的前提。
4. 脚手架比模型更重要，优先投资治理而非追最新最贵的模型。 个人经验估算：模型升级成本+300%效果+20%，脚手架升级成本+50%效果+200%。一个设计精良的系统让弱模型发挥惊人性能，烂系统完全浪费顶级模型能力。
5. 从 Task-Driven 到 Goal-Driven 是 Agent 系统的下一站，但必须建立在成熟的 Task-Driven 基础上。 Task-Driven 解决执行问题，Goal-Driven 解决迭代问题。Goal-Driven 需要目标清晰、边界清晰、状态可见、过程留痕、权限可控五个前提，不能跳步。

💬 文章金句

• 人是瓶颈。但解决瓶颈的方式不是让 AI 替代人，而是让系统不再依赖人的实时在场。
• 能用 10 行 Bash 解决的，别折腾 AI。这不是反 AI，是尊重工程。
• Vibe Coding 是先易后难。SDD 是先难后易。大道如夷，而民好径。
• 留痕不是为了 debug，而是为了进化。
• 垃圾的思考乘以强大的模型，等于精美的垃圾。
• 真正的跃迁，不是让 AI 多做几个步骤，而是让人退出微观调度。增强自我，而非取代自我。

📊 文章信息

阅读完整文章