慢下来：关于-AI-Agent-编程的反思.md 3.6 KB
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：
- 给自己时间思考 —— 真正在构建什么、为什么
- 设定代码生成上限 —— 与代码审查能力匹配
- 手写架构定义 —— API、系统整体结构亲手写
- 与 Agent 结对编程 —— 而非完全委托
- 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）