慢下来，才是Agent时代的答案在生成式AI加速进入软件工程的当下，行业从“能力惊叹”滑向“效率焦虑”，但盲目追求效率导致问题频出。编码Agent进入生产环境后，错误被放大、复杂性失控、系统难以理解，效率提升并未带来质量提升。 Agent缺乏学习能力，会重复犯错且无自我修正机制。在无人类瓶颈约束下，小错误快速累积，最终导致系统不可信任。同时，Agent基于局部视角决策，引入大量重复代码与不合理抽象，加速系统混乱。其搜索召回率低，难以全面理解复杂代码库，无法有效重构。 应重新校准人与Agent的关系：让Agent承担局部、可控、非核心任务，人类保留系统设计、质量审查与关键决策权。需设定生成代码上限，亲自参与架构与核心代码编写，保持对系统的理解与掌控。慢下来，承受适度摩擦，才能维护系统质量与可维护性。 真正稀缺的是对复杂性的判断力、在效率与质量间取舍的定力，以及说“不”的能力。Agent应是辅助工具，而非替代人类决策与责任的主体。marsbit03/29 15:35marsbit03/29 15:35
AI Agent 输出垃圾？问题在你舍不得烧 TokenAI Agent的输出质量与投入的Token数量成正比，即投入的Token越多，错误越少。文章指出，通过增加Token，Agent可以进行更深入的推理、多次独立尝试、自我审查和验证，从而显著提升代码质量和问题解决能力。然而，Token无法解决“新颖性”问题，即当问题不在训练数据中时，仍需人工引导。作者建议通过“WAIT”（多次审查和修复）和“VERIFY”（频繁验证）两种简单方法来优化Agent性能，并强调领域专业知识在解决新颖问题时的关键作用。marsbit03/23 06:14marsbit03/23 06:14
