---
title: 慢下来：关于 AI Agent 编程的反思
author: Gamehu
date: 2026-03-27 04:06:34
categories:
  - 思考
tags:
  - AI
  - Agent
  - 编程哲学
  - 软件工程
---

Mario Zechner（libGDX 作者）最新文章《Thoughts on slowing the fuck down》对当前 AI Agent 编程热潮提出了尖锐反思。文章指出：**我们正用 Agent 以惊人的速度给自己挖坑**。

## 现状：一切都在崩坏

作者观察到，软件质量正在加速下滑：
- 98% 正常运行时间成为常态（而非例外）
- 用户界面出现最奇怪的 bug
- AWS 被曝 AI 导致故障，随后发布 90 天整改令
- Windows 质量下滑，微软官方承认并承诺改进

**核心问题**：声称 100% 代码由 AI 生成的公司，持续产出质量最差的产品。

---

## 错误的工作方式

### 1. 复合错误（Compounding Booboos）

**人类 vs Agent 的关键差异：**

| 人类 | Agent |
|------|-------|
| 犯错几次后学会不再犯 | 持续重复相同错误 |
| 是瓶颈，每天只能引入有限错误 | 无瓶颈，几小时生成 2 万行代码 |
| 痛苦到达阈值会修复 | 无痛感，直到为时已晚 |

**结果**：无害的小错误以不可持续的速度复合，形成代码库怪物。

### 2. 习得性复杂性的商人

Agent 是"复杂性商人"：
- 训练数据中见过大量糟糕的架构决策
- 被委托架构应用，结果就是 immense complexity
- 决策永远是局部的，导致代码重复、抽象过度

**惊人对比**：人类企业代码库需要数年才能达到的复杂度，2 人团队 + Agent 几周内就能达成。

### 3. Agentic 搜索召回率低

当代码库膨胀后，Agent 无法找到所有需要修改的代码：
- 无论是 ripgrep、LSP 还是向量数据库
- 代码库越大，召回率越低
- 导致重复代码、不一致性，最终绽放为"美丽的屎花"

---

## 正确的工作方式（作者建议）

### 适合 Agent 的任务

好的 Agent 任务具备以下特征：
- ✅ 范围可限定，无需理解完整系统
- ✅ 可闭环评估（有明确的评估函数）
- ✅ 非关键任务（内部工具、原型）
- ✅ 人类是最终质量关卡

**反例**：Karpathy 的 auto-research 用于优化启动时间？很好！但产出的代码绝非生产就绪——评估函数只捕获狭窄指标，忽略代码质量、复杂度、正确性。

### 核心建议：慢下来

> "Slowing the fuck down is the way to go."

**具体做法：**

1. **给自己时间思考** —— 真正在构建什么、为什么
2. **设定代码生成上限** —— 与代码审查能力匹配
3. **手写架构定义** —— API、系统整体结构亲手写
4. **与 Agent 结对编程** —— 而非完全委托
5. **保持在场** —— 看到代码逐步构建，理解系统"感觉"

**为什么**：
- 摩擦让你更好理解想构建什么
- 经验和品味在此发挥作用（当前 SOTA 模型无法替代）
- 慢下来才能学习和成长

### 最终收益

- 系统和代码库保持可维护性
- 产品带来愉悦而非 slop
- 构建更少但正确的功能
- 学会说"不"本身就是功能
- 理解系统，保持 agency
- 能修复问题，能重构优化

---

## 关键金句

> "Coding agents are sirens, luring you in with their speed of code generation and jagged intelligence."

> "Your agents never see each other's runs, never get to see all of your codebase... an agent's decisions are always local."

> "All of this requires discipline and agency. All of this requires humans."

---

**原文**：https://mariozechner.at/posts/2026-03-25-thoughts-on-slowing-the-fuck-down/

**作者**：Mario Zechner（libGDX 创始人）