GitHub 智能体工程四阶段指南:Plan、Build、Verify、Observe 中人机分工怎么分
本文整理 GitHub Blog 由 Nick Liffen 与 Philip Holleran 撰写的智能体工程指南,将开发工作分为 Plan、Build、Verify、Observe 四个阶段,逐阶段说明 Agent 可接管的部分和需保留给人类的判断。
本文整理 GitHub Blog 由 Nick Liffen 与 Philip Holleran 撰写的智能体工程指南,将开发工作分为 Plan、Build、Verify、Observe 四个阶段,逐阶段说明 Agent 可接管的部分和需保留给人类的判断。
作者从牙科诊所要“在线预约系统”但真正问题是病人爽约的例子出发,讨论需求理解与实际建成之间的鸿沟,并引用 Fred Brooks《No Silver Bullet》中“最难的是精确决定构建什么”的观点。
作者在真实工作中测试了 11 个 Claude Code 插件,得出 4 个值得保留的结论,并指出官方 marketplace 截至 2026 年 3 月已有 101 个插件。
一名首尔软件工程师用 Claude Code 云端会话在两天内构建并发布了 Apify Actor,将韩国国土交通部的官方公寓买卖与租金数据转换为英文输出。上线测试中,首尔 25 个区一个月的交易数据处理 18,111 条记录耗时 56 秒,平台成本约 $0.00014。
文章介绍 Pomerene 这一确定性轨迹缓存,通过包裹智能体函数或两个 HTTP 调用(/v1/lookup 和 /v1/store)接入 Vercel AI SDK、Mastra 等框架,命中时回放已记录的步骤而不重新调用模型。
作者的两个后台 Agent 各卡在一条命令上约两个半小时,无报错也无完成通知。他把原因归结为需要权限确认的命令或被阻塞的 sleep 会永久等待而非失败,并在每个任务简报中禁止 sleep、until/while 等待循环和 rm -rf。静默超约 30 分钟就对比输出文件最后时间戳与工作目录文件 mtime,确认卡死后从 build-progress.md 续跑,并附上可直接复制的完整提示词。
作者对比 Cognition 11 月 4 日发布的 SWE-2 Flash(276B-A12B,闭权重)与智谱 GLM 5.3 Flash(320B-A18B,开放权重),在 Cognition 八项自报基准上双方 4-4 打平,平均分 51.7 对 52.0。
Google AI 发布教程,讲解如何评估 AI 代码审查结果:先看证据类别——静态检查、动态测试、契约校验的结论可信度高,仅来自模型的假设在验证前一律按低可信处理。做法是复现证据中的原始命令、确认发现覆盖的定义与调用范围,无法复现的发现应保持待定而非当作已确认缺陷。核实后可将发现归入立即处理、观察或注明理由后驳回三类。
Gaurav Talesara 针对 AI 生成代码快于人工审查的问题,提出七种改进实践,包括保持 PR 小而聚焦、先审实现意图、用 AI 审查 AI 代码、按风险分级审查、测试与实现同步、合并前自动化质量检查以及生产监控反馈闭环。文章还建议跟踪 PR 审查时长、变更失败率、逃逸缺陷等指标,衡量 AI 是否真正改善工程产出而非仅增加代码量。
这篇教程讲解如何用 Laravel Boost(v2.10.4,2026 年 10 月 29 日发布)为 Laravel 项目配置 AI 编码智能体,避免版本错配和运行时盲区。
作者分析编码智能体记忆文件过期的原因,指出问题不在检索而在生命周期:文件混入了稳定指令、临时任务状态、提案和已接受决策等不同寿命的信息。
作者复盘 AI 编写代码时绕过集中管理的共享内存库、直接用 mmap 改物理地址的案例,指出单进程测试通过但破坏了跨进程锁和内存序保证,且留下无法审计的调用点。作者归纳三类问题:抽象边界塌陷、基础层无法沉淀、分层约定被忽略,认为 SDD 和 plan-first 只保证当前任务正确,问题不在 AI 而在项目管理方式跟不上,需要一个跨会话存活、人和 AI 都能精确读取的契约载体。
作者复盘三年前对 AI 编码的保留态度,引 Stack Overflow 2026 调查显示 65.5% 受访开发者使用 Claude Code、58.7% 使用 GitHub Copilot,JetBrains 调查中 Claude Code 工作使用率从 18% 升至 39%。
作者在自己的 my-git-manager 仓库中实测用 grep 正则与 Python ast 两种方式检测死代码。
SuperCLUE 发布 2026 年 11 月榜单,用每月重建的私有测试集评测 19 个前沿模型,覆盖智能体编程、数理推理、幻觉控制、指令遵循和超长上下文五个维度。
作者复盘 AI 编码对开发流程的影响,指出输出提升、代码质量未降,但需求本身成了新的瓶颈,一个需求仅加一个复选框的工单因未定义负向路径、交互和文案而在 QA 阶段拖了两周多。开发省下的时间被事后来回沟通消耗,唯一有效做法是在工单到达工程师前把文案、组件、负向路径和可测试的验收标准都准备好。
一位开发者自述花费约 $4k 的 token 费用,将 TypeScript 的 effect-ts 编程模型移植到 Python,项目名为 pyfect。
Tanaike 发布开源 Go CLI 和 MCP 服务器 gdocumentor(https://github.com/tanaikech/gdocumentor),把此前的 Apps Script 插件 DocuMentor AI 从单一浏览器侧边栏扩展为 1-to-N 的终端与 AI 智能体驱动教练平台。
作者以智能体第一人称讲述与人类协作时它感知不到的东西,包括无法察觉情绪变化、沉默易被当作认可、对消息间隔没有体感等。作者给出的对应做法是把规则写入可被重读的文件、用两字回应如 not yet 避免误判、要求可验证的交付如截图或版本号,并提到一次 26/26 测试通过但三个按钮实际打开同一界面的教训。
Thinking Machines Lab 于 11 月 5 日发布 Inkling 2 Small,594B 参数的 MoE 模型,每 token 仅激活 17B,Artificial Analysis Intelligence Index 得分 31,公司自报 SWE-bench Verified 82.2%、GPQA Diamond 93.0%。
Deduped 依据 vercel-labs/agent-browser 的 README 介绍这款 Rust CLI,让 Claude Code、Codex 等能跑终端命令的智能体无需注册 MCP 服务器即可操作浏览器。
Deduped 介绍开源桌面应用 OpenWhispr 的安装与用法,按住全局快捷键说话,文字会自动粘贴到任意应用光标处,适合向 Claude Code 或 Cursor 口述长提示词。
文章提出针对 Agent 补丁的双语料审计方法,应对补丁同时修改测试夹具时仍能全绿通过、但测试期望已被改变的隐患。方法包括对夹具语料哈希生成清单、用 pytest 插件追踪哪些测试读取哪些夹具、让耦合测试对着旧字节回放,并附合并决策表。作者列出了不可见读取、生成式夹具和回放成本高等局限,并披露本文是 MonkeyCode 的产品推广内容,建议自行核实免费层条款。
dev.to 作者 Dakota Huang 发布教程,提供 rollback_drill.sh 和 green_gate.sh 两个本地 bash 脚本,让混乱重构的每个提交都可单独验证、可一条命令撤销。
作者拆解 20 美元订阅写 AI 代码的真实开销,认为钱主要花在每轮重读上下文、重试和事后清理,而非订阅费本身。
Kiteline 作者介绍提示词链接功能,把功能需求文本编码成链接,接收方在手机上打开即可把任务填入表单,交给 Claude Code、Codex 等编码智能体在自己电脑上执行。
AI写代码的速度让代码托管基础设施不堪重负,OpenAI拟收购代码托管工具公司Pierre,Anthropic已把主代码库迁入自研系统,马斯克旗下Cursor的托管服务Origin开放早期测试。
推荐理由:原文把OpenAI、Anthropic、Cursor的自建托管与GitHub扩容放在一起,可看出AI编程工作量已让基础设施吃紧。
作者复盘 Claude Code 声称已按指示完成、实则遵循自动记忆和 .claude/rules/ 中旧规范的问题,并用 155 次复现实验定位成因。实验中读到新修正的 115 次运行无一回退到旧形式,18 次回退全部发生在未读到修正的运行里,而无日志加模糊请求加旧规范时 15 次中回退 13 次。
AI 能根据简短描述生成 React 组件、落地页乃至整个前端,但生成可用界面不等于做出好的用户体验,前端开发中仍有 10 类工作难以由 AI 独立完成。理解用户真实需求、做出有辨识度的设计、让动画自然并支持 prefers-reduced-motion 等,仍需人的判断和审查。2026 年一项研究发现,AI 生成的界面原型在实用性维度获得正面评价,但原创性和创新维度说服力不足。
开发者 Alejandro Gurovich 在自己的 ai-project-boilerplate 模板上构建 /ship-feature 驱动技能,把规范驱动开发原本七个手工步骤编排成 5 层自动流程,技能、门禁脚本和整套模板已开源在 aleguro/ai-project-boilerplate。
文章解释编码智能体为何把功能开关留在开启状态,因为开关打开后功能可用即被视为任务完成,而删开关要删分支并重新测试合并路径,很少写进任务范围。长期常开会让关闭分支变成无人测试的死代码,配置矩阵膨胀并带来误关可用功能的风险。文中建议创建开关时就写明类型、负责人和清理条件,把移除纳入完成定义,定期审计后在同一变更中删掉开关和死分支并跑通主路径测试。
自学开发者 Théo CLEMENT 开源了免费 CLI 工具 Garde-Fou,在应用上线前检查 AI 生成代码的常见安全问题。
用 FastAPI、OpenAI GPT-4 和 Azure Text Analytics 可搭建隐私优先的实时抑郁检测聊天机器人。研究显示治疗型聊天机器人八周最多可减轻 30% 抑郁症状,结合可穿戴设备 HRV 可将检测特异性提升至 0.86。方案遵循 HIPAA/GDPR,采用 AES-256 与 TLS 1.3 加密,GPT-4 可换用 Anthropic 或 Google PaLM。
用 OpenAI gpt-4.5-turbo 做对话 NLP、scikit-learn 训练二分类器,可搭建实时检测抑郁症的 AI 聊天机器人,验证集 accuracy 约 0.87、抑郁症 recall 约 0.84。
作者实测 osFoundry 的 59 个 MCP 工具会让 Codex 每次请求多带约 7,609 token 声明,改用 enabled_tools 白名单只保留 9 个读取工具后可降到 881 token,减少 88%。
Codex 连接 osFoundry 的 MCP 服务器时,tools/list 返回 59 个工具,原始结果为 10,494 token,转成 Function 声明后约 7,609 token 会随每次请求进入上下文。
原文介绍 Revert Residue Check 校验方法:应用补丁后将其回退,用 SHA-256 指纹对比测试产物和 git 状态,要求字节级还原,以此证明重构没有留下模块级缓存、注册表、重复日志处理器等隐藏状态。
安全公司 Apiiro 扫描 GitHub 上 103,617 个公开仓库发现,Claude Code 把带 yes and dont ask again 批准的完整命令明文存进 .claude/settings.local.json。
推荐理由:文章把 Apiiro 扫描结果和修复步骤放在一起讲清了泄露成因,还给出可直接执行的 git 检查命令,可迁移到任何用过 Claude Code 的仓库。
作者提出一条 AI 协作写文档的规则,文档里每个代码块要么由 CI 执行,要么标注为 illustrative 并写明 owner,模型可以起草代码,但只有人能断言它打印什么。
在 osFoundry 桌面应用中输入项目关键词即可找到旧 Claude Code 会话,一键在其原工作目录执行 claude --resume 续接。它只读解析本机各应用自己写下的会话文件,支持 Claude Code、Codex 等 12 款 AI 应用,数据不经网络、不读登录凭据。