最新更新于 2026 年 6 月 26 日

这个指南是我自己的 AI Coding 的经验总结，我认为在实际使用 AI Coding 的过程中，应该注意和遵循的规则。

这篇文章是我实践后高度总结出来的结论，如果你想看更细致的内容，可以看 从“代码补全”到“全托管 Agent”：我的 2025 AI Coding 进化论 和 半年过去了，我和 AI Coding 的关系有什么变化？

精力管理

当你开始使用 AI Agent 来辅助编程后，你很快会发现，最大的瓶颈是你自己的管理范畴和你的精力管理。

1. Attention Is All You Need

AI 时代，信息的生产变得无比简单，这导致我们看到的信息、要处理的信息进一步爆炸。因此，如何更好地利用 AI Agent，降低我们的决策成本、提升我们的信息信噪比，让我们可以少做决策，做正确的决策。

2. Use the Strongest Model Where It Matters

使用你能接触到的最贵的模型来进行开发；能用 Claude Opus ，就不要用 GPT 5.5 XHigh；能用 GPT 5.5 XHigh，就不要使用 GLM 5.2 。

更贵的模型意味着对于你来说，可以更少的干预和决策，降低你对于 Agent 的管理成本。除非，某个任务对你来说，真的就是一句话任务，或者让他执行一个极其简单的任务。

对于格式化、批量替换、简单脚本、低风险机械任务，可以使用更便宜、更快的模型。

3. Prompt is Spec

你写给 Agent 的 Prompt，本质上就是临时规格说明。模糊的 Prompt 会生产模糊的实现。一个好的任务应该包含：背景、目标、非目标、修改范围、验收标准、验证命令和风险边界。

不要害怕给 Agent 长的 Prompt，相反，你应该尽可能榨干自己的脑子当中的想法，把和你的需求相关的事情全部写下来，即使只是很简单的个人倾向性的描述，也可以有助于帮你更快的完成自己的目标。

4. Plan Before Your Build

所有的工作，除了简单的日常动作（就是那种你觉得丢给随便哪个模型都能干的事情），只要是正常的工程工作（Feat / Bug / CI)，都要使用 Plan Mode 先聊一轮。目标是在过程中澄清你的需求，避免似是而非的需求进入到研发队列，浪费你的时间和精力。

把主要精力放在 Review Plan、Review Diff、Review Test Result 和风险项上，而不是逐行 Review Agent 写的每一行代码。你的精力终将不足以支撑传统意义上的全量 Code Review。

对低风险、可逆、影响面小的细节，可以降低审查强度；对数据、权限、计费、迁移、鉴权、删除、生产发布等高风险改动，必须重点审查。

5. Keep YOLO, But in a Reversible Sandbox

作为 AI Agent 的管理者（Manager），你要做的是抓大放小，何为大？架构设计、方案设计；何为小？具体的细节操作的命令。保持使用 YOLO 模式（Codex 的 dangerously skip permissions 模式），可以帮助你减少微操。

但是，不是无脑 YOLO。你需要确保即使是 Agent 在 YOLO 模式下发挥所造成的最灾难的状态，你是可接受的。

可逆沙盒至少意味着：代码已经进入版本控制；Agent 工作在独立 branch 或 worktree；没有生产密钥；没有生产数据库写权限；危险操作有备份或 dry run；部署、数据迁移、删除类操作需要人工确认。

工程管理

和 Vibe Coder 不同，作为工程师，我需要交付的是有价值的产品。所以，还是要让工作尽可能的 Under Control，避免 Coding Agent 帮你办离职。

6. Always Use Version Control and Remote Backup

无论你的项目大还是小，都要上一个版本控制工具。可以是 Git ，可以是 SVN，也可以是 hg，但一定要有。你需要让 Agent 始终工作在版本控制工具的范畴内，即使出现了问题，你也能快速回滚。

此外，一定要放在云上，这样即使是最极端的灾难情况 —— AI Agent 删除了你的所有代码，你也可以从云端找回一个历史的版本。

此外，用好 worktree 之类的功能。

7. Small Batches

让 Agent 以功能 、特性为维度小步快跑，而不是一次性憋个大的。这对于要确认的你不友好；对于 Agent 也不友好。模型的注意力也会涣散，也会出现遗漏重点的问题。

小的步骤配合着版本管理工具，可以帮助你更快的迭代，同时，更稳。

8. Protect Production

除非你知道你在让 Agent 做什么，不然不要试图让 Agent 直接操作你的生产环境；如果实在不知道怎么操作，最好的办法是让 Agent 给你一个操作手册，你跟着操作手册去执行，并要求 Agent 解释每个行为的意义和价值。

我猜你不会想删库跑路的吧？

快速反馈

9. Fail Fast & Feedback Fast

尽可能早的报错，不管是代码，还是逻辑；尽早报错可以帮助 AI Agent 更快的发现问题，从而更快的解决问题。而不是到线上才暴露问题。

从这个视角来看，Typed Lang is better than non-typed lang。Golang、Rust、TypeScript 这类有强静态反馈的技术栈，更适合 AI Agent 协作；纯 JavaScript 这种反馈更晚、更依赖运行时和人工约束的方案，会显著增加 Agent 协作成本。

除此之外，为你的 Coding Agent 构建尽可能多的反馈回路，让他除了写代码之外，还可以通过反馈回路来获得反馈，优化自己的代码和实现。这些反馈回路包括：

• Type Check
• Lint
• Format
• Testing
• Cyclomatic Complexity

让你的 Agent 在完成工作后，执行这些工具，尽快获得反馈，并自我修复，避免 Bad code smell 进入你的代码仓库。

git hook 就是一个不错的选择：pre-commit 搞定 type check、lint、format；pre-push 搞定 testing 和 Cyclomatic Complexity。

10. Work With CI/CD

尽可能构建你自己的项目的 CI/CD流程，除了本地的 hook 和检查，你还需要更加强制的校验，确保符合要求的代码才能进入你的代码仓库主分支。

确保你的 CI/CD 流程包含测试、e2e、复杂度、覆盖率分析、安全扫描，让你的代码尽可能的安全。

CI 负责阻止不合格代码进入主分支；CD 负责让可发布版本以可审计、可回滚的方式进入环境。

高并发工作

11. Async Work

由于模型的推理和 Agent 的工作需要时间，所以不要和 Agent 同步工作，而是尽可能的和 Agent 异步工作。通过 Plan 功能，前置让 Agent Review 和设计工作，并在确认后，让确认完的 Agent 工作；

这样你可以有效的让你的 Agent 和模型的工作最大化的利用；这里最重要的是让 Agent 可以在过程中一次性把要确认的快速确认完，然后自己可以兢兢业业干半个小时，甚至更久。你只在他需要你的那一刻投注注意力，剩下的时间，安排好你的注意力。

我最近比较喜欢用的是一个大的屏幕上同时开四个 Codex 干活；如果你是 Windows ，可以使用 wmux, mac 下则可以考虑 cmux 。这些都不错。

对了，一个副作用是，你可能会发现，跑了多个 Agent 之后，你会需要一台更强悍的电脑（所以我买了 2026年的 MBP M5 MAX）

12. Parallel Work

和人类不同，Agent 每一个线程都是完全独立的；只要你的 message 是独立清晰的；Agent 是可以并行工作的。而唯一能限制你并行度的，就是你自己对于工作的拆分和理解。

一个比较合理的方案是使用 git worktree 并行开发；同时尽可能避免让多个 Agent 处理同一个模块的事情，减少最后在合并回主分支时冲突的发生。

但是，需要注意，尽量不要跨项目并发工作，你自己的上下文会不足以支撑切换。

13. Sleep Work

对于人类来说，睡眠是一个很好的休息的时间，但对于 Agent 来说，不是的。 Agent 不需要休息，但很显然，休息状态时，你不太可能去跟进 Agent 的决策，确保他的产出是符合你的预期的，所以，你需要一些能够深夜自动工作的任务，从而帮助你利用好你的睡眠时间。

我一般会在深夜让 Agent 做这些事情：

1. 写测试 & 补全测试：这些事情白天也能干，但白天可能在高频迭代，晚上让 Agent 补测试是个不错的选择。
2. 代码重构：如果你的项目测试基建是足够好的，那么你的睡眠时间非常适合让 Agent 做自主重构，消解技术债务，帮助你的项目获得整体的高质量。
   

代码是你的，不是 Agent 的。

14. KISS(Keep it Simple Stupid)

AI Agent 在写代码时，会很容易出现复杂，你无法理解的写法，导致代码对你而言，彻底无法维护。这个是一定要避免的，你需要学着控制你的项目的复杂度，让 Agent 写完后跑 Cyclomatic Complexity 检查，超标必须重构，避免项目过于复杂，导致你无法维护。

即使你的代码是 Agent 写的，更加简单易于理解的逻辑，也会让你获得更好的结果。毕竟，你可能绝大多数的时候都能借助 AI Agent 搞定工作，但最终还是要确保自己有救济途径；可以接管 Agent 的工作。

总结

使用 AI Agent 编程，本质上是一次角色转变：你不再是那个逐行写代码的人，而是那个定义目标、划定边界、审查结果的 Manager。

Agent 的能力上限，取决于你给它的上下文质量；你的精力上限，取决于你把注意力放在哪里。

把决策权留给自己，把执行权交给 Agent，把验证权交给工具链。这三件事做对了，你的生产力才真正被放大——而不是被 Agent 带着跑。

代码是你的，不是 Agent 的。

在去年年底，我起心动念，开始写上一篇 AI Coding 文章，最终发表在 从“代码补全”到“全托管 Agent”：我的 2025 AI Coding 进化论

而半年后的现在，我重新开始写这篇文章的更新，聊聊半年过去，我和 AI Coding 之间的关系的变化。

半年后的文章，我觉得不太需要重新写完整的架构，反倒是用问答的方式来撰写，其实是更好的选择。那么， Let‘s Go！

我还在使用 AI Coding 么？

是的，还在使用，而且用量与日俱增。我的 AI Coding 使用量和时间的关系大抵如此。

其中,这里面有一个曲线变陡和曲线向下，刚好对应了两件事：

1. 第一件事是我发现了 VibeKanban 这个好用的工具 ，并开始大量使用它；
2. 第二件事是 VibeKanban Sunset 之后，我没有找到平替软件来使用；

这里 VibeKanban 帮我解决了帮我做 Agent 横向拓展的能力；Sunset 实在可惜。在 VibeKanban 上，我可以一次性并行5-10个任务；

为什么是 Vibekanban，而不是 Slock(Raft)、Multica？

对于我来说，核心功能有几个：

1. 对于 Worktree 的操作：多 Agent 在一个仓库下并行时，worktree 是必要的，不然没办法解决代码冲突的问题。
2. Plan Mode 的支持：目前我在用 Raft、Multica 的时候，他们都没有 Plan Mode 的支持，而我敢于快速 Scale 的前提，就是 Plan Mode。在没有 Plan Mode 的产品当中，我并不能快速且放心的批量 Scale
3. 多分支合并下的 Agent 冲突处理：当你开足够多的分支时，冲突是不可避免的，除非你人肉规划不同的任务，让他们尽可能的不要修改相同的文件，但显然，在意图清晰的情况下；让 Agent 来去合并分支是一个更好的选择。

没有这三个Feature 的产品，对于我来说和使用 Terminal 没有本质的区别。

为什么一定是 Plan mode？聊天怎么就不行了？

我觉得这个算是我对自己的一个身份定位 —— 工程师；

作为工程师，你不是和 Vibe Coder 一样，只要让 AI 无脑干活就行；你需要保障软件的整体质量；那么这个过程中，你需要有足够的时间和精力，让你操作 AI 产出符合你预期的产品和工具；这是你的工资对应事情。

食君之禄，忠君之事。

Plan 就是我控制 AI 的手段。通过 Plan ，确认 AI 在大方向上没有问题，细节上我可以后续再调整。但大方向不能错！

为什么一定是工程师，而不是 Vibe Coder？

从上一个问题延展一下，我觉得其实很多时候，大家没太想清楚自己的定位、企业的定位。

如果你的产品做给自己使用的，且没有预期给其他人使用。那么你可以随意 Vibe。不需要工程师，不需要 Care 所谓的工程师实践。

但如果你的产品是做给别人使用的，你要考虑，对方到底要的是什么？对方是否愿意为一个 Vibe 产品付费？

我不是说不能 Vibe，不能 AI Coding；而是，你的东西应该是有一些你自己的心血在里面（一句话Prompt 不叫心血），你为他所投入的时间、心血，使得它有了价值。

这些心血可能是你和模型对话了数百轮，才把一个产品从一句话可以打造出来的产品，变成一个正经可用的产品；也可能是你对于某一处细节、某一处流程的深度优化（即使是通过 AI 实现的）。

不要 Just Vibe。你不应该把你的狗尾巴花当成玫瑰拿出去，并预期别人把它当成玫瑰；你的玫瑰别人可能看成狗尾巴花，也可能看成玫瑰。但别人很难把你的狗尾巴花当成玫瑰。努力的用你的心血浇筑，让你的狗尾巴花变成玫瑰，然后交给他人。

当然，还有一种可能性是 —— 别人没有判断力，他压根分不清狗尾巴草和玫瑰，那么这个时候，你可以大胆的选择 —— 先给他狗尾巴草，但请不要止步于此，因为你和他不是一锤子买卖，你需要持续迭代，你可以先 Fake it as 玫瑰花，但请持续 Make it until it real a 玫瑰花，让你的狗尾巴花变成玫瑰花不止是为了他人，也是为了你自己。

我在用什么模型？

如今的我，基本上主要是 GPT 5.5 XHigh；使用模型的最高智能来完成工作，而非使用一个更便宜的模型。得益于 GPT 5.5 本身比 Claude Sonnet 更便宜的定价，我可以爽用模型。

当然，Claude 也在用，不过 Claude 更多是我日常和他对齐一些技术架构，讨论一些技术设计。大的模型消耗还是 GPT5.5。

我如何看待 AI 对于软件工程师的职业影响？

很明显，程序员的溢价中的泡沫在被挤压，对于程序员来说，可能没那么舒服了。在过去的数年里，因为程序员的缺口极大，导致很多人涌入这个行业，并不是每个人都真正适合这个行业。因为稀缺，每个人都拥有了更高的溢价。

但今天，AI模型满足了很多初级需求，对于很多初级用户的用法来说， AI 已经满足了他们的需求了，对于程序员的需求量也在下降；

另一方面，AI 也给予了软件工程师更高的溢价：因为今天虽然人人都能 Vibe 了，但你相反，更难找到好的工程师。因为人人都是程序员，让其中的工程师显得更贵。而一个好的工程师，可以帮助你的产品更加稳健的走下去。对于软件工程师来说，可以有更高的溢价 —— 可以一个人带着 AI干过去十个人的事情，同时拿过去 2-3 个人的钱。

我对新人有什么建议？

大家常聊，AI 时代，什么样特质的人是更紧缺的？答案也比较明确 —— 有 Taste、有判断力、有想法的人更重要。

前两者其实是相同的 —— 你需要先看尽好与坏的差异，然后才能在遇到不好的产品的时候，快速分辨出来；你只有看过足够多的好东西，你自然就知道你不想要的东西。所以，在 AI 的时代，应该尽可能多的去做一些尝试；然后通过尝试，体验更多的好东西。

而后者，则要求你有足够多的输入，不要固步自封，也不要怨天尤人。AI 带来的变革是大势，我们无能为力。就像大浪袭来，我们可以选择站在岸边等浪扑到脸上，也可以选择拿上冲浪板，主动走上浪尖，做弄潮儿。

如果你有更多的问题想问我的，欢迎你在文档下方评论区留言，我会后续在评论区里持续回复大家的问题。

本文有一个 Online 的 Sample 版本。如果你对于「我具体是怎么做的」感兴趣，可以直接看这个 Twitter Threads

2025 年，我的工作习惯彻底被 Claude Code / Cursor / Codex 改变了；这一年给我带来的改变，不亚于当年我用易语言写出第一个应用程序的时候。这句话不仅适用于我的产品经理身份，同样适用于我的工程师身份。这不仅是软件开发效率的提升，更是软件开发方式的重构。

AI Coding？到底是什么？

在社交媒体上讨论 AI 编程的时候，很多时候大家其实没有对齐在讨论的 AI 编程的范畴和适用领域，使得大部分时候，大家在鸡同鸭讲，公说公有理，婆说婆有理。所以，在我们真正讨论 AI 编程之前，我们需要先澄清一下，我们到底在讨论什么「AI Coding」？

目前来说， AI Coding 有几种不同的产品形态和用户交互形态，他们包括：

1. L1：古典的直接问 ChatGPT：有问题直接问 ChatGPT、Gemini、Claude 等 AI 助手，借助 AI 助手给出的信息，自行 Debug 和修改代码。
2. L2：使用 IDE / 插件中提供的补全功能：直接写函数名，然后 AI 会帮你补全函数的细节，你再自己微调或者不微调。这种能力其实过去也有，只是没有这么强悍。大家使用 IDE 来开发，很大程度上就是 IDE 提供了极好的补全能力。
3. L3：使用本地的 AI Coding 工具的 Agent 模式，全托管或半托管式的编程：你只描述需要做什么，具体做动作由 AI 来完成；这里还有几个细分的方式，包括完全托管（比如 claude code 开 --dangerously-skip-permissions ; codex 开 --dangerously-bypass-approvals-and-sandbox）和半托管（用户手动确认行为，只是由 AI 来完成具体修改的动作）。L3 操作的是你的本地环境，有破坏的风险，但也有无限的可能。
4. L4：使用网页端的 AI Coding 工具，直接出 Demo：你不需要在本地有任何开发环境的配置，直接在网页端使用一个应用，来完成 Coding，你只需要描述你想要的东西，剩下的完全交给 AI（虽然这往往意味着难以与复杂的本地业务流集成）。

大家在社交媒体上和别人讨论 AI Coding 的时候，需要注意，很有可能你在聊的是 L3 ，但别人在聊的是 L4 ；你们看似聊的都是一个东西，但实际上是完全不同的东西。我们这篇文章讨论的，则主要是 L3 —— 即使用本地的 AI Coding 工具的 Agent 模式，全托管或半托管式的编程。

到底谁在用 AI Coding 工具的 Agent 模式？为什么是 Agent 模式？

说完了大家眼中不同的 AI Coding 工具，我也必须再强调一下，即使大家聊的都是【AI Coding 工具的 Agent 模式】，因为身份的不同，每个人的用法也会有很大差异，大家对他的预期也完全不同。因此，不同的人对其的评价也千差地别：其中大体也可以拆分为三个大类：

1. 传统的软件工程师：使用 AI Coding 工具完成自己工作过程中的一些辅助性工作，对于自身的能力和工作的要求有较高的要求。
2. 有一定研发概念的产品工程师（称之为产品工程师是因为他们有一些基础的软件工程概念）：使用 AI Coding 工具拓展自己的能力圈，去做一些之前必须依赖软件工程师才能做完的事情（比如做个小 Demo，或是上线一个软件产品）。
3. 被媒体上的文章忽悠进来的小白（他们基本上没有太多的软件工程经验和基础）：跟着网络上的信息了解到了 Coding Agent，然后尝试在不同的软件上使用（不局限于 Claude Code，Cursor 的 Agent 模式也算），经常会卡在一些软件工程的基础问题上。（我特别推荐这类人去看《计算机教育中缺失的一课》，看完以后，会让你很快理解你所遇到的问题，并能够快速处理 AI Agent 所给你的信息，进行下一步操作）。

这三类人因为工作的要求、对于软件工程的理解的不同，会导致他们使用 AI Coding 工具的 Agent 产出完全不同的体验，从而有不同的评价。

而之所以是 Agent 模式，是因为相比于补全模式需要你现有一段代码；Chat 模式往往不指引你完成所有的工作或需要你现有互联网软件的基础才能完成工作；Agent 模式自带的环境操作能力，使得你即使完全不懂 AI 和 Coding，也可以做一个像模像样的小应用出来。这打破了过去需要软件工程师才能做出一个 Demo 的限制，同时也极大的鼓励了新手小白，试着去做一些有意思的事情。

Agent 模式也是 AI Coding 最出圈的一个 Feature；

我和 AI Coding 工具的 Agent 模式的缘分

在这条推上，我提到，我其实经历过三种不同的状态，这源自于我过去一年的体验。

在过去这一年里，我从一个「以补全为主，抗拒 AI Coding Agent」的工程师，转变为了一个「好好利用 AI Coding Agent」的工程师。这其中，离不开我身边的朋友们和小伙伴们，和他们的协作，让我真的意识到了 AI Coding Agent 的价值。

这里要感谢刘超、杨鼎睿、岳增五，和你们的协作让我极大的改变了自己对于 AI Coding 的认知和看法。

作为一个写了十数年代码的工程师，我拥有一些自己平时写代码的脚手架，可以帮助我快速完成一个项目，而同时，作为工程师的自我要求，我希望我自己写的代码能够拥有不错的代码质量和性能，从而可以提供一个稳定的软件质量。所以在一开始，我对于 AI Coding Agent 的能力是持怀疑态度的，虽然依然会使用，但整体信任度没有那么高，往往只让它处理细枝末节，基本上是让 AI 去写一个完整的功能的细节，或者是让 AI Coding Agent 去进行 Code Review，而不是让他去动业务代码；直到 Claude Sonnet 3.7 的时候，我才发现 Claude Code 已经能完成不少的工作，甚至很多小的 Feature，不再需要我先行规划，再让他自己去做细节，我可以非常坦然的交给他一些功能，让他自己去完成我只做关键验收。

而从这个时刻开始，我对于 AI Coding Agent 的使用开始与日俱增，我开始使用 AI Coding 去完成越来越多的功能和效果，然后，我开始对 AI Coding 放权；开启了 --dangerously-skip-permissions ，让 Claude Code 自己去写代码，去实现效果；

也和所有的使用 AI Coding Agent 的人一样，我也经历过 AI Coding 工具将代码整的一团糟，然后放弃的时刻。不得不说，Claude 有些时候的过度设计，真的让人觉得无语。或许这是最佳实践，但最佳实践不仅仅要配合着实践用，也要配合着项目的时间节点和周期，以更好的完成项目的目标 —— 你要记得，Coding 只是完成目标的手段，而不是目的。

不过，随着对于 AI Coding Agent 的逐步使用的深入，我对于 AI Coding Agent 的使用越来越了解也越来越多的在不同的场景下去使用 AI Coding Agent ，去完成自己的工作。

如今的我对于 AI Coding Agent 模式的观点

首先，我旗帜鲜明的说所有的软件工程师都应该试着使用 AI Coding Agent，放弃、逃避、蒙头装鸵鸟都是没有意义的，熟练掌握 AI Coding Agent 已不再是加分项，而是生存技能。 AI Coding Agent 正在切实的改变着我们的行业。诚然，AI Coding Agent 不会影响我们这些「老」工程师的工作，但这个问题如同被熊追着我们一样 —— 淘汰你的从来不是熊，而是比你跑得更快的人。 AI 不会淘汰工程师，但会淘汰那些拒绝进化的“手动操作员”。优秀的工程师不会消失，我们的职责正从“手写逻辑”转变为“选择方案、设计架构、验收质量”。

其次，我依然相信大家的软件工程经验是有价值的，就像上面我提到，最佳实践本身没有问题，但每个人所面对的项目的节奏是完全不同的。软件工程师的价值从手写代码，变为了选择 AI 提供的解决方案，Review AI 提供的解决方案，可以帮助我们更好的完成自己的工作。优秀的软件工程师只是工作职责变了，但他们不会消失，甚至会获得更多的加成。

我现在怎么用这些 Coding Agent？

我目前自己同时在使用的包括 Claude Code、OpenAI Codex、和 Gemini Cli；其中前两者是我自己花钱买的，后者是 GDG 赠送的。

我强烈建议大家自己花钱购买。如果公司买了最好，如果公司没买，自己买也是划算的。 Claude Code 5X 已经满足日常使用了，如果你用量大，再升级 Claude Code 20X 即可；$100 其实就是大家聚餐吃一顿价格，并不贵，但给你带来的提升是远超这个价格的。

我对于 Coding Agent 的使用会包含两块：

1. 本地使用
2. 云端使用

以及，一些质量守卫。

本地使用

本地使用时，我会使用 Claude Code 的 Plan Mode 来设计一些需求，通过和 Coding Agent 的几轮交互，约束需求的范围，并让 Claude Code 去完成相关的功能；

同时，我会使用 Codex 来为我的项目补全测试 —— 过去我自己很多时候懒得写测试，现在有了 AI 来帮助我们完成测试的基础覆盖，大大提升了我的效率。或许 AI 无法保证测试的如一个专业的测试同学，但却可以让我先完成从 0 到 1 的建设，让我自己可以变的更好。

Gemini Cli 则会在一些时候，我会让其作为项目的补充，主要也是 GDG 赠送的 Plan 额度有限，所以用的不多。

之所以会同时使用三个不同的 Coding Agent，主要还是考虑到模型本身的能力是有差异的；不同的模型可以给我提供不同的视角，从而可以确保对于一个问题有更全面的思考，规避可能的思维漏洞。

云端使用

除了本地的使用，我还会在云端使用 AI Coding Agent，但并不是使用网页端的 Coding 工具，而是在 CI 工具链中集成 AI Coding Agent，使用 AI Coding Agent 对于我的每一次提交、每一次 PR 进行 Code Review ，通过这样的方式，帮助我更好的发现代码中的问题，既可以确保自己对于问题的思考没有漏洞，同时可以进一步的发现自己的经验不足，补全对于问题的思考维度。

特别是，集成多个 Coding Agent 可以明显看到不同 Coding Agent 对于问题的思考角度和深度不同，对于自我提升非常有帮助。

质量守卫

由于AI Coding Agent 本身存在的问题，往往会在大规模编辑代码的时候，存在一些编辑错误、无用代码、不符合规范的问题，因此我在深度使用 AI Coding Agent 的项目中，都会引入大量的质量守卫，来确保不符合规范的代码无法提交到云上。我们应当保持对 AI 的信任，但必须坚守 「信任，但要核实 (Trust, but Verify)」 的原则，确保 AI 提交的代码每一行都可信、可控。

具体包括：

1. 引入静态检查的准入机制，扼杀低级错误：借助 git hook，在提交前进行 code format
2. 引入质量红线，控制确保逻辑不出错，没有改错之前的代码：借助 git hook 和单元测试围栏，要求提交到代码库中的代码必须测试覆盖率满足要求（强 AI Coding Agent 介入的项目会要求测试覆盖率到 100%；并包含集成测试和端到端测试）。
3. 引入 AI Agent 的自愈能力，闭环问题的修复：借助 git hook 和一些 linter 工具，发现代码中的问题，并让 AI Coding Agent 自己去修复他。
4. 引入代码复杂度分析工具，让 AI 写出人和 AI 都易于维护的代码：常见的编程语言基本上都提供了圈复杂度检查工具，你可以在你的项目中引入圈复杂度检查工具，让 AI 提交之前确保所有代码的复杂度不会太高，从而既可以借助 AI 的能力快速迭代，同时又保留自己随时介入的可能性。

当你有充足的围栏检查的时候，你就可以放心让你的 AI 去完成工作，并要求他自行提交 commit，这样可以让其自动执行 git hook ，并修复 git hook 中所配置的工具检查出来的问题，从而确保提交到代码库中的代码不会有一些基础问题。

如果你还没有开始使用 AI Coding Agent ，你要怎么开始（工程师篇）

如果你是一个工程师，想要试试 AI Coding Agent ，但不知道怎么做？

• 我能理解你对于代码质量的要求和你的工作对于你的要求；
• 我也知道你担心引入 AI 导致你的项目复杂度快速提升，无法维护，最后导致项目彻底崩盘，你反而被干掉；

所以，我推荐你这么干：

1. 在现有的 CI 工具链中加入 AI Coding Agent 进行 Review，从而让 AI 先从 Review 代码开始，给你提供更多的建议，帮助你先变成一个更好的工程师；
2. 在习惯让 AI Coding Agent 参与到你的工作流里后，可以先让 AI 帮助你补全测试，建立起单元测试围栏，从而让你放心的使用 AI Coding Agent 参与到你的项目里；
3. 使用 AI Coding Agent 完成你的工作（记得加入各种围栏），让你自己获得进一步的解放。

当你完成了上述三步后，你已经熟悉了 AI Coding Agent，就可以除了做一些你熟悉的工作，还可以让他带着你，去做一些你所不熟悉的事情，比如你是前端，让他带着你搞后端；或者你是后端，让他带着你搞 iOS。

总结

到了 2026 年，你依然可以 Happy Coding，不过你要学会意识到，我们除了做体力劳动的 Coding，我们更应该用好 AI Coding 工具，将体力劳动托管给 AI Coding Agent，让自己的工作越来越具有「创造性」，做一个「创造者」。

最近在 V2ex 上看到一个帖子，AI 是不是基本杀死了 blog，我在帖子里回了一嘴：「blog 是自己写给自己的。不是写给别人的」，基本表达了我的观点。今天我来详细的阐述一下我的观点。

Blog 到底是什么？

贴中原贴主提到的是 CSDN 等 Blog，所以在他的观点当中， Blog 主要是以 CSDN 这样的技术 Blog 为主。但实际上，Blog 是一个极大的分类，Blog 是 Web Log 的缩写，你约等于可以理解为这是一个「个人网络日记」，与之对应的是本地的、线下的、纸质的日记。

Blog 真的会被杀死么？

Blog 的杀死与不被杀死，其实只由「Blog 主」来决策；AI 所能提供的，是帮助 Blogger 更快的识别出这个问题。

在过去的很多年里，CSDN 上充斥着大量的低质量的技术文章，基本上都是 Copy & Paste 某些技术条目（坦诚的讲，我也写过类似的内容，你在这个 Blog 上也能看到一些），然后就结束了，不加任何的思考和想法。如果将 Blog 的领域缩小到这个范围，我认为，这个答案可能是基本上是的。我们确实不太需要那么多 Copy & Paste 的技术文章，因为这些内容 AI 其实已经都学习了，他的记忆中已经有相关的内容，能够提供给你。

但，技术类型文章，是无法被杀死的，也是需要更多的 Blogger 来去创作的。AI 大模型的原理决定了，他只能做「训练数据中有的部分」，没办法去做「训练数据中没有的部分」。而技术领域的信息不是停滞不前的，我们每时每刻都有新的开源代码被提交（当前，里面可能有一部分是 AI 生成的，但如果这个生产过程中有人在其中辅助，你都不应该视为这部分信息是模型天然已知的内容，因为人在其中加入了额外的变量）。这些内容从他们出现在技术领域中，到被大模型学习到再到被大家使用，中间的周期可能长达数月。我们不可能在这数月期间，不对这个领域做任何的学习、改造和迭代。

所以，Copy & Paste 的 Blog 是会消失，但更多的新的、原创的内容，会越来越多。唯一的问题是：你是否是那个原创 Blog 的作者？

回归本心写 Blog

除了从数据的层面去分析来看，我一贯的观点是 —— Blog 是写给自己的。写作是我若干年来非常重要的一个技能，这个技能帮助你理清自己纷乱的思绪，让你脑海中的无需信息变成了有序的知识，所以，我热衷于记录、热衷于写 Blog，本质上是我在不断的通过写 Blog 来优化我的大脑，优化我脑海中的信息。

如果你认可这个假设，那么这件事，就不言自明 —— 你会因为 AI 的到来就停止思考么？如果是的，那么你确实不需要 Blog；但如果不是，Blog 依然要写，还要持续写。可能是写到生命的尽头。

原贴：https://v2ex.com/t/1161567

因为做了很久的投资，看到这个标题就点击进去了，看了里面的评论，有所感悟，聊聊我的想法；

1. 有钱人去贷款是现象

题主观测到了这样的一个现象，但其实题主并不懂得背后的原因。不过也正是因为认知不足，只观察到了现象，所以描述的简单，也在 V2ex 上被群嘲；

2. 有钱人贷款背后是风险和投资能力

对于不同的人来说，一笔钱的感知是不同的。比如同样是 2000 元，对于我母亲来说，这是她一个月的退休工资；而对于我来说，可能是我2天就能赚到的钱。那我们对于这 2000 块钱的开销就完全不同。这是很不同的体验和体感。同样，如果是我和我母亲都去借款 2000 元，对于她来说，如果这 2000 元还不上，可能一个月退休工资就没了，而对我来说，不过是再多干两天的事情。同样的钱，对于不同身价和收入的人，感知就是完全不同的。

举个例子，如果你做投资年化收益能稳定的做到 6%，那么理论上所有利率低于 6% 的资金你都可以去借，因为对于你来说，借来的资金都是有正收益的。对于绝大多数的穷人来说，是不懂投资的，是不知道如何去用资金赚来更多的钱的，那么最大的用法就是直接还贷，简单粗暴。这是投资能力的部分。

而这二者，缺一不可，如果只有投资能力，没有风险控制，则很快就会遇到风险炸掉（比如 币圈玩合约的）。如果只有风险控制，没有投资能力，则虽然风险消弭，但也没有任何收益。

3. 有钱人的赌性更大，也更愿意去做一些有长期收益的事情。但穷人不做不是因为不想，而是不能。

《贫穷的本质:我们为什么摆脱不了贫穷》里其实聊过这个问题，很多时候有钱人看到的最优解但穷人不去做，有些是因为世界观的问题，我们并不知道还能这么多。而另一方面，穷人所处的环境，是无法承接风险的。所以只能眼睁睁看着机会溜走。

当然，我也建议，要对抗自己的天性，适度的去承担一些风险。不一定要上杠杆，但要学会更高效的利用自己手头的资金，来让自己的利益最大化。

因为经常和朋友聊起关于投资理财的话题，也会推荐一些书给朋友们，所以我把我自己看过觉得还不错的书记录下来，方便给更多朋友分享。

关于投资理解

经济机器是怎样运行的

我觉得如果你要学习投资，这个视频是一定要看的，这个视频介绍了 「钱」是怎么出现的，以及这个社会的经济是如何运转的。你的投资本质上是把钱投入到经济的的运行中，带来的回报（借钱给经济机器去运转，他给你利息）。所以这个视频先看。

《投资第一课》

这本书是有知有行的孟岩写的，主要介绍了投资的各种品类的收益来源和他们的预期收益，以及他们是怎么赚钱的。这对于你来说，可以了解到不同品类在做的事情，从而对于整体的投资有一个明确的预期，会没那么容易才到一些显而易眼的坑里。

《要钱还是要生活》

这本书介绍的是如何计算自己到底需要多少钱。我觉得大家在日常卷和拼搏的时候，是没有考虑过这个问题，但如果你有了一个目标，会让你更明确的知道，自己应该做什么，以及努力起来也会更有目标。对于所有没有思考过这个问题的人，我都推荐大家去看看

相关链接：《要钱还是要生活》书摘

《金钱心理学》

这本书介绍的是一些常见的关于金钱的错误观念,如果你要动手自己做投资,那么里面的一些常见的心理观念是需要调整的.书不是很厚,很好读.

相关链接：《金钱心理学》书摘

《持续买入》

这本书的作者主要在强调三个观点：

1.人力资本到金融资本的转化：年轻的时候多自我提升，提升自己的人力资本，这样才能换来更多的前期现金流，为后续的金融资本的提升做准备。

2. 持续买入：重要的是买入，而不是择时；择时看起来有意义，但因为你很难持续，已经更容易踩空，倒不如持续买入。

3.计算投资收益和存款速度的对比，决定精力投入：如果你存钱的速度大于你的本金*年化收益，那就把更多的精力放在存款上（这个事之前美想过）

相关链接：《持续买入》书摘

离开字节以后，我的很大一部分收入来自于外包项目的开发。不过，和过去大家熟悉的外包的不同的是，我并非传统的外包模式，我称之为「基于信任的顾问合作模式」。

传统的外包模式是什么样？

传统的外包模式往往是人力外包，或者项目外包，在项目的一开始确定一个项目的报价，然后进行 50% 的款项结算。随着后续的项目进展，往往会因为项目前期评估不足、需求变动、初期评估不够而导致成本超出报价，最终导致项目最终的结算困难。抑或者是在一开始报一个拥有足够利润空间的价格，从而让项目有足够的安全边际，以支撑不同场景下的交付。

这两种方式其实都略微有一些问题

前者正常报价的，会因为项目本身的不确定性、迭代过程中的种种问题，导致最终结尾；对于项目方来说，需求没有解决，反而损失了项目的初始基金。对于开发者来说，要么是支付成本，完成一个 ROI 很低甚至为负的项目，要么是项目完成了，但没有收到款。

后者虽然对于开发者来说，更加的安全，但对于项目方来说，支出了极高的成本，来对冲项目开发过程中的不确定性。

我的做事方式是什么样的？

我做事的方式更接近于传统咨询公司的策略 —— 计算工作时长，并为工作时长付费，而且可以接受后付费。

这里有几个前置条件：

1. 我的客户往往是介绍而来，很少有纯粹的冷启动客户；所以我们存在一定的基础信任；
2. 我的时间的价格很高，基本上持平我在字节的时薪；
3. 我会记录我在这个项目的时间花费，从而让项目方拥有更明确的支付预期，知道「我花钱买了什么」。

接下来我们一个个说 ——

1. 我自己很少主动去找客户。实际上大多数时候，我的客户希望我分配更多的时间给他们。而我需要的是更多的是时间分配个客户。所以我基本上接触到的往往都是朋友转介绍过来的客户，而非主动去找的。这保证来找我的客户往往是有一定的基础信任的。不仅如此，往往他们找我时，我可能还在手头忙一些事情，随后就会被我暂时拒绝掉，让他们去找别的开发者。
2. 我给自己的时间价格相对比较高，这保证了我可以筛选值得的客户，也可以规避掉一部分低价敏感型客户（实际上找我的 ROI 应该是更高的，但不一定是最便宜的）。同时，也给客户更好的服务。我不太喜欢低价的竞争，只会让大家都陷入无尽的价格战里。相比之下， 我更多提供的是结合 AI 的理解能力，和 AI 辅助的能力，用更短的时间完成更多的工作，提升自己的人效。
3. 因为前面基于信任，所以我会给客户说1. 我不需要你预付费，但我会给你一个 credit。在这个 credit 内，我会先干，后让你支付；2. 到了某个支付的节点，我会给你一个账单，你需要为这个账单付费。账单里包含了详细的项目、活动和所消耗的时间。以及每个时间的具体的工作描述，从而让客户支付的放心。

通过这样的方式，我构建了一个相对更加互信的协作模式 —— 我认为也是更好的。我们拥有相同的目标，一起迭代，将整个项目做大做强，并赚到自己应得的钱。

最后，说一下我目前的报价： ¥400 元/小时。价格会根据客户的数量进行持续的更新。不过已经在服务的存量项目，则会保持支付的费率。仅对新客户 or 新项目生效。

2025.05.28: ¥375/小时 -> ¥400/小时

当我离职后，我越发的理解「人生是旷野」这句话的含义。

对于上班族来说，一个很大的好处是 —— 你的前进的轨道是明确的，也是我们常说的，「人生是轨道」。对于打工的人来说，你前进的轨道是相对更加明确且清晰的。你只需要遵循整个组织的晋升规则，努力往前跑，就有可能达到你的目标（或者是组织的目标）。

而当你离开了企业和组织，成为一个自由模式的人（或者是个体户模式），你的问题会出现在 —— 你的眼前会有很多条路，你不止有一条轨道，你可能有两条、三条，无数条轨道和可能性，唯一需要的便是你自己做出选择，去走哪条路（这也是绝大多数人觉得 —— 自由是旷野的好处，你有了无数种可能性）。

但，这种可能性也有一定的问题。作为一个自由人，你会看到无数种可能性，但同时 —— 绝大多数的可能性都是不明确的，都是虚线，你不知道到底哪个可能性能够真正走到终点，甚至有可能你看到的所有可能性都无法走到终点。你努力半生，可能归来仍是一场空。而这，可能是绝大多数人从未关注的旷野的另一面—— 虽然都是轨道，但可能每个的胜率都不是 100%，你如何找到那个胜率最大的选项，成为了新的问题。