My AI Adoption Journey
mitchellh.com
本文详细记录了作者 Mitchell Hashimoto 采纳 AI 工具的六个阶段。起初，作者对 AI 持怀疑态度，认为聊天机器人（如 ChatGPT）在复杂编程任务中效率低下。随后，他通过“强制复现自身工作”的极端练习，掌握了使用 AI Agent（智能体） 的技巧，学会了如何拆解任务和提供验证手段。
随着探索深入，作者开发出了“日终代理”模式，利用非工作时间让 AI 进行调研和琐事处理；并进一步演进到“外包稳赢任务”阶段，在自己处理核心难题时，让 AI 在后台异步处理简单确定的任务。为了提升 AI 的准确率，他提出了“框架工程（Harness Engineering）”的概念，通过编写 AGENTS.md 约束文件和专用工具来防止 AI 重犯错误。目前，作者的目标是维持一个“始终有 Agent 在运行”的工作流，将 AI 视为一个虽不完美但极具生产力的“机器人伙伴”。作者强调，这并非为了追逐热度，而是作为一名软件工匠在探索提升效率的新边界。
1. 从聊天机器人转向智能体 (Agent)
作者认为，初学者最容易犯的错误是试图通过网页聊天界面（如 ChatGPT 或 Gemini）进行编程。这种方式在处理全新项目（Greenfield）时可能令人惊艳，但在现有的复杂项目（Brownfield）中，频繁的复制粘贴和反复的人工纠错会导致效率远低于手动编写。 要获得真正的价值，必须使用 Agent（智能体）。Agent 与普通聊天机器人的区别在于它拥有“行动能力”：它能在一个循环中读取文件、执行程序并发送 HTTP 请求。只有当 AI 能够直接操作环境并根据反馈自我修正时，它才能真正融入开发工作流。
2. 通过复现自身工作来建立直觉
为了克服对 AI 的不信任，作者采取了一种“笨办法”：在完成一项手动开发任务后，强迫自己引导 Agent 重新实现一遍完全相同的效果。这种“做两次活”的过程虽然痛苦，却让作者摸索出了高效协作的三大原则：
- 任务拆解：不要试图一次性完成宏大目标，要将其拆分为清晰、可执行的小任务。
- 规划与执行分离：对于模糊的需求，先让 AI 制定计划，确认后再执行。
- 提供验证手段：如果给 Agent 一个运行测试或校验结果的方法，它通常能自行修复错误。 这一阶段的关键在于建立“什么时候不该用 AI”的直觉，避免在 AI 必将失败的任务上浪费时间。
3. 利用非工作时间的“日终代理”
为了实现净效率的提升，作者开始在每天下班前的最后 30 分钟启动 Agent。这些 Agent 负责处理那些不需要实时监督的任务，例如：
- 深度调研：搜集特定许可证的库，并生成优缺点对比报告。
- 并行探索：对一些模糊的想法进行初步尝试，为第二天的开发扫清未知障碍。
- Issue 和 PR 分类：利用 GitHub CLI 自动整理待办事项。 这种方式让作者在第二天早晨能有一个“热启动”，直接进入高价值工作，而不是被琐事淹没。
4. 异步外包“稳赢”任务
当作者对 AI 的能力边界有了清晰认知后，他开始在自己处理核心逻辑的同时，让 Agent 在后台处理那些“稳赢”的简单任务（如修复已知的小 Bug 或编写样板代码）。 在这个阶段，作者强调了两个关键点：首先是关闭 Agent 的桌面通知，因为上下文切换的成本极高，人类应当主动去检查进度，而不是被动被干扰；其次是有选择地外包，通过外包琐事来换取更多深思熟虑的时间，从而在核心领域继续磨炼技能。
5. 框架工程 (Harness Engineering)
为了减少 AI 的重复犯错，作者提出了“框架工程”的概念。每当 Agent 犯错时，不应只是口头纠正，而应通过工程手段确保它不再犯错：
- 隐式提示词 (AGENTS.md)：在项目中维护一个约束文件，记录 Agent 应该遵循的规范和避开的坑。
- 专用工具开发：为 Agent 编写专门的脚本（如截图工具、过滤测试工具），让它具备更强的自我校验能力。 这种投入虽然短期增加了工作量，但长期来看极大地提升了 Agent 的自主性和准确率。
6. 迈向“始终运行”的自动化愿景
作者目前的目标是让后台始终有一个 Agent 在运行。他并不追求多 Agent 并行，而是倾向于使用像 Amp 的 Deep Mode 这种速度较慢但思考更深的模型。 这种状态下，AI 就像一个“略显笨拙但非常勤快”的伙伴。作者认为，这种模式倒逼他去优化自己的工作流，以便能不断分解出高质量的任务交给 AI 处理。这不仅是 AI 的进化，也是开发者管理能力和工程素养的进化。
问答
问：为什么作者建议放弃使用网页版的聊天机器人进行编程？ 答：因为网页版缺乏与本地环境的交互能力，开发者需要频繁手动复制粘贴代码和报错信息，且纠错过程高度依赖人工干预，效率往往低于手动编写。
问：什么是“框架工程（Harness Engineering）”？
答：这是一种通过工程手段约束 AI 行为的方法。包括编写 AGENTS.md 文件来记录规则，以及开发专门的脚本工具供 AI 调用，目的是让 AI 能够自动发现并修正错误，避免重复犯错。
问：在后台运行 Agent 时，如何避免干扰开发者的专注力？ 答：必须关闭 Agent 的所有主动通知。开发者应在自己工作的自然停顿期间（如喝水或休息时）主动切换窗口检查进度，确保人类掌握中断的主动权。
问：作者如何看待 AI 对开发者技能形成的影响？ 答：作者承认这可能导致在被外包的任务上技能退化（尤其是对初学者），但他认为通过外包琐事，开发者可以腾出更多精力在核心难题上进行深思熟虑，这是一种技能重心的转移。
问：如何判断一个任务是否适合交给 AI Agent？ 答：适合的任务通常是“稳赢”的（Slam Dunks），即逻辑清晰、结果易于验证的任务。作者建议通过前期的“复现练习”来摸清 AI 的能力边界，从而建立这种判断直觉。