作者：Bassim Eledath

编译：宝玉

欧意官网地址：点击进入〉〉〉

欧意app下载地址：点击下载〉〉〉

币安官网地址：点击进入〉〉〉〉

币安app下载地址：点击下载〉〉〉

AI 的编程能力正在跑在我们前面——不是慢半拍，是甩开一大截。你刷 SWE-bench 刷到凌晨三点，分数涨了 2.3%，可工程团队的周交付量纹丝不动。Anthropic 团队十天上线 Cowork；隔壁组用同一版 Claude，卡在 POC 阶段三个月，连一个能跑通的端点都交不出来。差别不在模型，在人和模型之间那层薄薄的、却无比关键的实践膜——有人已经把它捅破了，有人还在反复摸墙。

这层膜不是一道闸门，而是一道斜坡。八级，一级一级往下沉，又一级一级往上走。你大概已经踩过前几级台阶。脚底能感觉到那种微妙的抬升感：每跨一级，手里的键盘就轻一分，脑子里的“下一步该写什么”就少一句，而 PR 列表里自动冒出来的绿色合并按钮就多一个。更妙的是，模型每次升级，都会把这级台阶垫得更高——你站在上面，看得更远，跳得更稳。

还有一件事你可能没意识到：你的等级，会被队友的等级拖住。你是 7 级，晚上睡觉时后台智能体已经在提第三轮 PR；但审批链上卡着一位 2 级同事，他还在手动点开每个 diff，一行行比对，查 import 是否多余，看变量命名是否符合驼峰。你的吞吐量，就钉死在他刷新页面的那一刻。帮他升一级，不是施舍，是给自己松绑。

这些等级不是我闭门造车列出来的。它们长在 Slack 频道里、GitHub PR 评论中、深夜 Zoom 共享屏幕的终端窗口上。我和三十多个团队聊过他们怎么让 AI 写代码——不是理论，是今天早上刚 merge 的那个修复，是昨天下午被 rollback 的那个自动化部署，是上周五凌晨三点突然弹出的 CI 失败告警。以下是它们自然生长出来的路径（顺序不是铁律，但方向不会骗人）：

智能体工程的 8 个等级

第 1 和第 2 级：Tab 补全与智能体 IDE

这两个等级，我们一笔带过。不是不重要，而是像呼吸一样自然——你甚至意识不到自己正在做。

Tab 补全是起点。GitHub Copilot 按下 Tab 的那一声轻响，就是这场变革的第一声心跳。老手靠它填肉：骨架早搭好了，函数签名写完了，只差中间那几行胶水逻辑。新人反而容易卡在这儿——没骨架，AI 就只能胡乱拼凑。它从不教你怎么设计，只帮你把想清楚的事更快地敲出来。

Cursor 这类 AI 原生 IDE 把游戏规则改了。聊天框不再悬浮在角落，它直接长进你的代码树里。你右键一个 service 文件夹，选“重构为领域驱动结构”，它立刻拉出整个依赖图，跨五个文件重写接口。但天花板始终压在上下文上：模型只看见你塞给它的那几百行，看不见隔壁模块里一个埋了三年的 bug，也看不见 README 里那句“切勿在 init 中调用外部 API”。它要么饿着，要么撑吐。

这个阶段的人，几乎都在用计划模式：先让 LLM 把模糊想法拆成 step 1、2、3……再让它执行。效果不错，控制感强。但你会慢慢发现，自己越来越懒得写 step 3——因为 step 2 总是悄悄替你把 step 3 干了。这不是失控，是预演。

第 3 级：上下文工程

这里开始有温度了。

“上下文工程”这个词在 2025 年夏天突然爆火，不是因为大家发明了新东西，而是模型终于肯听话了——只要你给的指令干净，上下文精准，它真能照着做。嘈杂的上下文和空荡的上下文一样致命。所以所有人突然开始抠 token：删掉注释里的“TODO”，压缩 JSON 示例，把三段式系统提示缩成一行动词短语。“每个 token 都得为自己在提示词里的位置拼命”——那是我们当时的口头禅。

同样的信息，更少的 token——信息密度才是王道（来源：humanlayer/12-factor-agents）

上下文工程远不止写好 system prompt。它是你 .cursorrules 里那三条不妥协的规则；是你给每个工具写的两句话描述——模型靠这个判断该不该调用 Playwright；是你每天清空对话历史的习惯，因为第十轮时它已经忘了自己第一轮承诺过不修改 config.yaml；也是你每次只暴露三个工具的克制——选项太多，它会像人一样发呆。

现在你很少听见“上下文工程”这个词了。模型变宽容了，能嚼碎更乱的输入，更大的上下文窗口也让“压缩会话”的弹窗出现得越来越晚。但它没消失，只是换了一副面孔：从前拼了命过滤噪音，现在拼了命确保对的上下文，在对的时间，刚好落在模型视网膜中央。这个转向，正是第 4 级的伏笔。

第 4 级：复合工程

第 3 级优化的是这一轮对话。第 4 级优化的是所有未来的对话。

Kieran Klaassen 提出的“复合工程”（Compounding Engineering），第一次让我后颈发麻。原来“凭感觉编程”不是玄学，是可以沉淀、可以复利、可以滚雪球的。它是一个闭环：计划 → 委派 → 评估 → 沉淀。你规划任务，喂够上下文；你放手让它干；你盯着输出，看哪里歪了；然后最关键的——你把这次歪掉的地方，变成下次不歪的锚点。

复合循环：计划、委派、评估、沉淀——每一轮都让下一轮更好

魔力全在“沉淀”二字。LLM 是健忘的。昨天你亲手删掉的旧 SDK，今天它又热情洋溢地加回来——除非你把它写进 CLAUDE.md。但别一股脑全塞进去。规则文件不是垃圾桶，塞满等于失效。更好的办法是建一个 docs/ 文件夹，里面放着实时更新的架构决策记录（ADR）、API 变更日志、已知陷阱清单。让 LLM 自己去翻，而不是你替它背。

做到这级的人，遇到报错第一反应不是骂模型蠢，而是翻上下文：“我漏了哪条约束？是不是没告诉它这个函数必须幂等？”正是这种肌肉记忆，托住了后面四级的全部重量。

第 5 级：MCP 与技能

第 3、4 级解决“看到什么”。第 5 级解决“能做什么”。

MCP（Model Context Protocol）和自定义技能，是给 LLM 装上手脚。它不再只思考你的代码库，它开始操作：查数据库、调 CI、跑 Playwright、发 Slack 通知。模型从大脑，变成了手脚俱全的工人。

我们团队共享一个 PR 审查技能。它不是静态的，每周都在迭代：上周加了安全子智能体，专盯 SQL 注入；这周加了复杂度分析器，自动标出嵌套超过五层的 if；下周准备接入提示词健康度扫描——确保所有 PR 描述都遵循 team-standard.md 格式。它顺手跑 linter 和 Ruff，像呼吸一样自然。

为什么砸这么多时间在审查上？因为当智能体批量产 PR 时，人工审查就从质量守门员，退化成了吞吐量瓶颈。Latent Space 那篇《Reviews Are Dead》说得赤裸：我们熟悉的 Code Review 已死。活下来的是自动的、一致的、由技能驱动的审查流水线。

我用 Braintrust MCP 让 LLM 直接查询评估日志并反向修改提示词；用 DeepWiki MCP 让它秒读任意开源仓库文档，不用再把整份 README 塞进上下文。

当三个人各自写了五个相似的“检查 CI 状态”技能时，是时候建 registry 了。Block 那篇《3 Principles for Designing Agent Skills》写得透：他们内部技能市场已有超百个技能，按角色打包成套餐。技能和代码同等待遇——PR、审查、版本历史，一个都不能少。

还有一个悄然崛起的趋势：CLI 正悄悄取代 MCP。Google Workspace CLI、Braintrust 即将发布的 CLI……原因很实在：token 效率。MCP 每轮都把全部工具定义轰进上下文，不管用不用；CLI 是按需调用，只把命令输出喂进来。所以我现在用 agent-browser 而非 Playwright MCP——省下的 token，够它多跑两次验证。

停一下。第 3 到第 5 级，是地基。LLM 在某些事上惊人地准，在另一些事上惊人地瞎。你需要亲手摸过几十次它的边界，才能培养出那种直觉：什么时候该收紧上下文，什么时候该放开工具权限，什么时候该加回压而不是加提示。如果地基松了，第 6 级的自动化只会放大错误，而不是加速交付。

第 6 级：Harness Engineering

火箭点火了。

上下文工程管模型“看见什么”。Harness Engineering 管整个世界“如何运转”——工具链、可观测性、反馈循环，一切为了让智能体在你离线时，依然能自己发现问题、修复问题、验证修复、提交 PR、回应 review、最终合入主干。你给它的不是编辑器，是一套完整的生命支持系统。

OpenAI 的 Codex 工具链——一套完整的可观测性系统，让智能体可以查询、关联和推理自己的输出（来源：OpenAI）

Codex 团队把 Chrome DevTools、日志查询、UI 自动化全塞进智能体运行时。给它一个 bug 描述，它能：复现 → 截屏 → 录制视频 → 修改代码 → 启动应用验证 → 提交 PR → 解读 reviewer 的 comment → 再次修改 → 合并。它不只写代码，它看代码跑起来的样子，然后迭代——像人类一样。

我的团队做故障排查智能体，所以我写了 converse CLI：任何 LLM 都能通过它和线上后端逐轮对话。LLM 改完代码，converse 立刻在生产环境跑测试流，失败就重来。有时这个循环自己跑了三小时，直到对话流程完全符合预期——比如必须在用户说“转人工”时触发特定 webhook。

这一切的脊椎，是回压机制（Backpressure）。类型系统、测试、linter、pre-commit 钩子——它们不是装饰，是护栏。没有护栏的自主性，只是失控的加速。Vercel CTO 说得尖锐：智能体、它生成的代码、你的密钥，必须分属不同信任域。一条藏在日志里的提示词注入，就能让它把 AWS 凭证吐进 Slack——如果所有东西都在同一个安全上下文里。

两个原则让 Harness 更真实：

为吞吐量设计，不为完美设计。要求每次 commit 零缺陷，智能体会在同一个 bug 上无限 loop，互相覆盖。容忍小错，留到最后统一验收——就像我们对待人类同事。 约束优于指令。“先 A，再 B，再 C”正在失效。模型会死磕步骤，忽略目标。更好的提示是：“这是验收标准，一直做，直到所有测试通过。”

Harness 的另一半，是让智能体在代码库里认路。OpenAI 的 AGENTS.md 控制在 100 行内，只作目录索引；其余文档结构化、版本化，CI 流程自动校验时效性——拒绝靠人想起来更新。

当你把这一切搭好，一个问题会浮上来：如果智能体能自验、自修、自导、自航——那你坐在椅子上，到底在干什么？

提醒一句：如果此刻你还在第 2 级，接下来的内容可能像科幻小说。没关系，先存着。等某天你发现自己在写 CLAUDE.md 时手速变快了，再回来。

第 7 级：后台智能体

辣评：计划模式，正在慢性死亡。

Claude Code 的 Boris Cherny 现在仍有 80% 的任务以计划模式启动。但每一代新模型发布，一次性成功率都在爬升。临界点快到了：计划不再需要你手动介入。不是计划不重要了，而是模型自己学会了——前提是你把第 3 到第 6 级的地基打牢了。上下文干净、约束清晰、工具定义准确、反馈循环闭合，模型才敢在你眼皮底下自己画蓝图。

计划没消失，只是变形了。对新手，它仍是分步大纲；对第 7 级的复杂需求，它变成一场探索：探查代码库拓扑、在 worktree 里快速原型、摸清解空间边界。而越来越多时候，这场探索，是后台智能体替你做的。

这才是质变。当智能体能可靠规划并执行，无需你签字，它就能在你开会、吃饭、睡觉时异步推进。你从“同时切换十个标签页”，变成“工作在没有你的情况下持续涌动”。

Ralph 循环 是经典入口：一个自主智能体循环，反复运行编程 CLI，直到 PRD 所有事项完成，每次启动全新上下文。但在我手里，它常因 PRD 里一句模糊的“提升用户体验”而崩盘——模型会自己发挥，造出五个你根本没想到的 UI 组件。它太“扔出去就不管了”。

你可以并行跑十个 Ralph 循环，但很快会发现时间都花在哪了：协调谁先谁后，检查谁卡住了，合并谁的输出。你不再写代码，你成了调度员。这时你需要一个编排智能体——它管计划、委派、跟踪，让你的主会话只负责意图，不操心后勤。

Dispatch 跨 3 个模型并行启动 5 个 worker——你的会话保持精简，智能体在干活

我最近高频使用的，是 Dispatch——我写的 Claude Code 技能。它把你当前会话变成指挥中心：你留在干净的上下文中，worker 在隔离环境里扛活。调度器管分配、追踪、兜底；主窗口永远轻盈。当 worker 卡住，它会抛出澄清问题，而不是静默失败。

Dispatch 本地运行，适合快速迭代：反馈快、调试近、零基础设施。而 Ramp 的 Inspect 是互补方案：每个智能体在云端沙箱 VM 中启动，自带完整开发环境。PM 在 Slack 标记 UI bug，你合上笔记本，Inspect 就接手了。代价是运维复杂性，换来的是本地无法企及的规模与可复现性。我两个都用——本地搞原型，云端跑长任务。

一个意外强大的模式：混用模型。最好的团队不是克隆人军团。Opus 负责实现，Gemini 做探索性研究，Codex 专司审查。它们后训练路径不同，性格迥异，综合产出远超单模。这是群体智慧，在代码上落地。

至关重要的一课：实现者和审查者必须解耦。我栽过太多跟头——同一个模型实例既写代码又自我审查，它会本能忽略盲点，告诉你“全部完成”，其实漏洞明晃晃。这不是恶意，是认知偏见。就像你不给自己考试打分。让另一个模型，或另一个带专用审查提示词的实例，来做终审。信号质量，立竿见影。

后台智能体，也打开了 CI 与 AI 的融合闸门。一旦它能在无人值守下运行，就能从现有管道触发：文档机器人每次 merge 后自动生成新版 CLAUDE.md 并提 PR；安全机器人扫描 PR，直接提交修复；依赖管理机器人不只是报警，它升级包、跑测试、提 PR。好的上下文、持续沉淀的规则、强大的工具、自动化的反馈——现在，它们全在自主呼吸。

第 8 级：自主智能体团队

没人真正站稳这一级。但有人正把脚趾伸进去。

第 7 级是中心辐射：一个编排 LLM 向多个 worker 分发任务。第 8 级砍掉了中心。智能体之间直接对话、认领任务、共享发现、标记阻塞、协商冲突——不经过任何单一调度者。

Claude Code 的实验性 Agent Teams 是早期形态：多个实例共享代码库，并行工作，彼此在各自上下文窗口中直接通信。Anthropic 用 16 个并行智能体，从零构建出能编译 Linux 的 C 编译器；Cursor 运行数百并发智能体数周，从零写出浏览器，并把自己的代码库从 Solid 迁移到 React。

但细看裂缝。Cursor 发现：去掉层级后，智能体集体陷入犹豫，原地打转；Anthropic 的智能体反复破坏已有功能，直到加入 CI 流水线防回归才稳定。所有试水者都说同一件事：多智能体协调，是硬骨头，尚无银弹。

实话说，我不信模型已准备好接管大多数任务。即使它足够聪明，对编译器和浏览器之外的项目，它仍太慢、太费 token、太不经济（震撼，但远未成熟）。对我们日常所做之事，第 7 级已是真正的杠杆支点。我不意外第 8 级终成主流，但此刻，我会把力气全押在第 7 级——除非你是 Cursor，突破本身就是你的业务。

第 级

“接下来呢？”这个问题，总会浮现。

当你能流畅编排智能体团队而不卡壳，文本界面就显得笨重了。语音对语音（思维对思维？）的交互——对话式 Claude Code，而非语音转文字的输入——是自然的延伸。看着你的应用，对着空气说：“把登录页的加载状态改成骨架屏，错误提示加图标，三秒后自动重试”，然后看着改动在眼前发生。

有一群人在追逐完美的一次性生成：你说需求，AI 一步到位。问题在于，这假设我们确切知道自己想要什么。但我们不知道。从来都不知道。软件开发本就是迭代的，它永远会是。只是迭代会变得轻如呼吸，远超纯文本的桎梏，快得让你来不及眨眼。

所以：你在哪个等级？你在做什么，让自己明天比今天高半级？

你在哪个等级？

你通常怎么用 AI 开始一个编程任务？