落地启示与实践路径
从 OpenAI 的实验中，我们能带走什么？
关键经验总结
| 经验 | 说明 |
|---|---|
| 失败 ≠ 更努力 | 找到缺失的能力，补全它 |
| 人类品味是输入 | Review → 文档 → 工具 → 代码，持续编码到系统中 |
| 风格不必完美 | 正确 + 可维护 + Agent 可读 > 人类审美 |
| 约束是加速器 | 编码一次，全局生效 |
| 等待 > 犯错成本 | 高吞吐环境下，快速修正优于阻塞等待 |
渐进式采纳路线图
Level 0: 辅助编码
↓ Agent 帮写代码，人类 Review 一切
Level 1: 结构化协作
↓ AGENTS.md + 知识库 + 自定义 linter
Level 2: Agent Review
↓ Agent-to-Agent Review，人类抽查
Level 3: 自主闭环
↓ Agent 端到端：Bug → Fix → PR → Merge
Level 4: Agent-First
人类只做设计、意图、反馈循环你今天可以做什么
- 写一个好的 AGENTS.md — 目录而非百科，指向深层文档
- 添加结构约束 — 自定义 linter，让错误信息成为 Agent 的修复指引
- 让知识可验证 — CI 检查文档时效性和链接有效性
- 拥抱"无聊"技术 — 选择 Agent 容易理解的技术栈
- 建立垃圾回收机制 — 定期清理 Agent 产出中的模式漂移
仍在探索的问题
- 全 Agent 生成系统的长期架构一致性如何演化？
- 人类判断在哪些地方杠杆率最高？
- 模型能力持续提升后，这个系统将如何进化？
最后一句
Building software still demands discipline, but the discipline shows up in the scaffolding rather than the code.
软件工程仍然需要纪律，但纪律体现在脚手架而非代码中。