一

说实话，自从 Agent Coding 成熟后，很难说人的真实精力投入到底减少了没有。生产力确实是提上去了，但人貌似更累了。如果单从相同的工作量来看，现在肯定比以前轻松得多，又不需要写代码，天天当老板跟 agent 吹牛就行，让 agent 哼哧哼哧去干就行了。放以前可能三五天甚至几周才能做完一个功能，产出哪能跟现在比。

但是现在单点精力投入变少了，因为需求做的太快，每天要在超级多的功能之间频繁切换，导致整个精力非常涣散，反而让人觉得更累。

我们在中间更多的是在当一个“老板”，虽然当老板听起来挺爽，但也没人告诉我这老板还有个微操大师的称号啊？但想来也确实没办法，Agent 只是个高效的干活机器，不是肚子里的蛔虫，根本不知道你到底在想什么。

二

在最开始接触 Agent Coding 的时候，我还是会尝试阅读 AI 写的代码的，但随着模型能力越来越强，现在也彻底躺平，基本不看代码了。

但是不看代码跟许愿有什么区别？这里必须要有一个另类的方法来约束 Agent 的产出，因此取而代之的，我熟练掌握了根据程序最终展现出来的行为，去倒推 Agent 在具体实现逻辑时是怎么做的。

代码我们已经懒得去看了，说实话也不一定看得懂那堆屎山。但我们完全可以根据它的表现去倒推它的架构设计！最简单的：

• 两个地方有相同的逻辑，正常人肯定是共用一套组件的。但如果我们忘记说了，恰巧模型比较呆，就有可能倾向于复制一份，写两份独立的代码。
• 第一版完全看不出什么问题，但当你跑去改 UI 的时候，发现页面 A 改了，页面 B 没改——得，这底层肯定没用同一个组件。

这感觉就像是带着程序的思维在做设计。我完全不在意 Agent 在后面写了什么屎山，只要它最终展现出来的行为与我预想的架构不符，那说明它的代码肯定有缺陷，我就找它 argue 让它重构。改不对就继续改，直到架构理顺为止。

三

总所周知，模型自由发挥的 UI 跟地上的粑粑没有任何区别，比如让 GPT 自由发挥写 UI 的时候，它大概率会给你整一个神秘的渐变或者模糊的屎黄色背景，配合超级大圆角的阴影卡片、巨大的标题、带 eyebrow 的文案，最后再给你塞一堆看似有用实则完全没用的 badge……在此之前，我从未见过如此恶心的 UI，光是看一眼都让人感觉很无力。那场面仿佛核弹瘫坐在 Samu Altman上，看到椅子爆炸。

如果纯靠自然语言跟 Agent 交流去改 UI，那我的母语将会变成无语。你说了半天，在 Agent 看来可能就是 竹知了 在叫

为了解决这个沟通效率问题，大家提出了不少方案，以下是我在摸索中觉得好用的工具链：

1. Agentation

个人觉得其可以被列为 Agent 时代的最伟大的发明之一。它能以 React 库的形式，让我可以在网页上实时选中元素直接批注。看到不满意的直接点一下，然后“删删删删删，杀杀杀杀杀”，把所有不该有的东西全部杀掉，不太对的元素批注改样式。极其高效，基本返工两三次就能拿到非常满意的 UI 了。

2. Typeless

提高需求描述的详细程度，不能以让人更累为代价。语音输入是个好办法，典型代表就是 Typeless。

像我碎碎念的时候，思路其实是比较乱的，经常出现先说 A、B、C，说完发现 A 需要补充，又回头去加信息。以前的语音输入只会忠实转述，阅读起来非常难受。Typeless 聪明在它会在 ASR（语音识别）基础上接个小模型，帮你在后台整理文本：去掉无意义的语气词、停顿词，顺便把语序给调正。

这东西实现起来其实不难，我自己也在工作台中按这个原理搓了一个平替版，虽然细节打磨和延迟还没 Typeless 那么好，但也勉强够用了。Typeless 之前每周有 8000 字免费额度，我平均一周可能就一两天用它来骂 Agent，基本用不完。但 9 月 22 号之后免费版将改为每周 2,000 字。那肯定不够用了，但每月 $12 USD 的订阅价格对于我的使用频率来说还是太贵了，从来没听说过吵架还要花钱的，以后主力可能真得靠自己手搓的平替了。

3. 记忆

另一个思路是维护一堆 memory，让 Agent 越用越懂你。但直观来讲，个人感觉 (纯偏见)记忆目前没那么有用，主要问题是能否解决上下文污染。人太复杂了，日常生活中各种乱七八糟的事情和不同的项目，全塞进去上下文太乱了。不过市面上现在有几个开源的 Memory DB，不知道有没有解决上下文污染的问题，现在由于精力有限，暂时没有去深入研究。

四

我过去一直秉承“干中学”，但这套在 AI 时代行不通了：AI 帮你把活都干了，但没法帮你学，自己也失去了学的动力。 失去了知识输入来源，看文章就成了最重要的学习方式。于是最近我给自用的工作台加了个 RSS 阅读器，添加了一堆订阅。有些订阅源返回的正文只有一个描述，甚至什么都没有，我就编排了一个工作流——直接去 fetch 原文 HTML，交给 LLM 清洗加翻译，最终得到了非常干净的阅读体验。

这也让我重新养成了摸鱼看文章的习惯。在这之前，摸鱼要么刷微信公众号，要么刷 X（Twitter）。但现在的公众号文章质量说实话有点太差了，充满了 AI 生成的 slop——每每看到“不是……而是……”、“这件事没你想的那么简单”的公式化内容，真的会触发生理性反胃。至于 X，我过去对上面的一手 AI 信息相对还算信任。直到前段时间，我天天刷到各种所谓“用果蝇大脑干了这个干了那个”的项目。

我就纳闷了：果蝇就 16.5 万个神经元，真能的这么厉害？我本身对非 Transformer、偏脑神经方向的神经网络挺感兴趣，还以为真出了什么突破性进展。起初看到的几篇推文，都是一些普通的强化学习也能做到的效果，看下来至少让我觉得至少果蝇的脑容量应该是能够完成这些任务的。直到某一天我看到了这样一篇推文：

它网页 Demo 上的模型非常聪明，我问它“怎么用 Rust 写一个斐波那契数列”，它写出来了；要求将它写的 Rust 代码改成递归形式，也改得完全正确。这简直不可思议——果蝇本身连语言能力都没有，退一步说就算学会了自然语言，怎么可能几天时间就把一个果蝇大脑训练到能写 Rust 代码？那一刻我仿佛看到了原子弹爆炸。

带着强烈的不解，我跑去翻了它的 GitHub 仓库代码，粗略看了之后感觉大脑的褶皱都被抚平了：

这哥们实际上是在 LFM 2.5 这个现成的小模型后面，挂了果蝇大脑的神经元去影响 logits，尝试修改生成 token 的权重！

也就是说，主要的逻辑输出全靠 LFM 2.5 大模型，果蝇大脑纯粹挂在后面瞎改权重，这不是妥妥的画蛇添足吗？！就算把果蝇大脑那部分全砍掉，模型本身也能完美回答。那加这个东西的意义到底在哪？虽然写代码的 agent 十分严谨，readme 中写的是“未证明实际效果”，但是推文里却大肆吹嘘“你可以向果蝇提问了”。

某些人当场被气笑了，气不过又去看了另外几个果蝇项目，最终看下来全是 AI 生成的垃圾。。。。

只能说人的幻觉，有时候真的比 AI 严重得多。