AI Coding 真正压缩的,不只是开发时间

大家好,我是 WeiWill。

最近复盘几条 Agent 工作流时,我反复遇到一个现象:以前需要几天搭起来的原型,现在一个下午就能跑通。

这当然是好事。但越往真实项目里推,我越强烈地感受到:AI 把“做出来”的速度提高了,却没有自动提高我们“做对”的概率。

当代码、配置、文件和业务动作都能被快速生成时,一个未经验证的判断,也会被更快地放大。

这让我重新想到一句话:

事以缓成。

它不是让团队故意降低效率,而是在提醒我们:越是复杂、长期、难以回退的事情,越不能只追求第一次跑通。

放到 Agent 工程里,我现在更愿意这样理解:

试验要快,反馈要快,但承诺、放开权限和扩大范围要慢。

思维导图

思维导图

一个下午跑通的周报 Agent,第二周为什么开始失控

假设团队要做一条自动生成项目周报的 Agent 工作流:读取任务列表和代码提交,提取进展与风险,生成周报,再发到工作群。

借助模型和现成工具,这条链路很快就能搭起来。第一次演示时,任务能读取,提交能分析,周报结构也很完整。大家很容易得出一个判断:

“既然已经跑通,那就直接接入团队吧。”

问题通常从这里开始。

第二周,项目任务没有及时更新,Agent 把“尚未录入”理解成“没有进展”。第三周,一次提交修复了两个问题,Agent 根据提交信息做出了错误归类。第四周,测试仓库里的实验代码又被写进了正式周报。

更麻烦的是,为了减少人工操作,工作流已经配置成自动发送。于是,一份看起来专业、实际存在事实错误的周报,被直接推送给了整个团队。

这里真正危险的,不是模型偶尔出错,而是:系统没有给错误留下被发现和被阻断的机会。

如果第一次跑通后,先让它只生成草稿,由负责人确认后发送,错误依然会发生,但影响范围完全不同。

这就是“缓”的第一个含义:不要因为局部能力已经可用,就提前承诺整条链路已经可靠。

AI 让代码变快,也压缩了熟悉业务的过程

过去我们自己写这条周报链路时,会在实现过程中自然熟悉业务。

读取任务列表时,要看清楚任务状态的含义:是“未开始”“进行中”,还是“未录入”。分析代码提交时,要判断一次提交到底对应需求、缺陷、重构,还是临时实验。联调周报模板时,还会继续追问哪些风险可以公开,哪些只适合先给负责人确认。

编码、联调和排错,本身就是理解业务的过程。很多细节并不是开需求会时一次听懂的,而是在一行行实现和一次次验证中逐渐建立起来的。

AI 把实现速度提高后,这段过程也被压缩了。代码可能几分钟就生成,接口也能很快跑通,但工程师还没有来得及真正理解:

  • 哪个任务字段代表真实进展;
  • 哪类提交不能直接写进周报;
  • 缺失数据应该标成风险,还是保持为空;
  • 发送对象不同,周报口径要不要变化;
  • 出错后是重新生成、人工修订,还是撤回消息。

如果只是看代码能不能运行,很容易把模型对业务的猜测,当成系统已经确认的规则。

所以,使用 AI 写代码以后,业务理解不能再完全依赖“边写边熟悉”,而要主动补回来。

我现在会要求自己在接受一段关键代码前,先让 AI 写出具体方案和变更范围:会改哪些文件、接入哪些数据、生成哪些字段、影响哪些发送动作。

然后再对照方案,至少说清楚四件事:

  1. 周报里有哪些业务对象;
  2. 正常生成规则是什么;
  3. 异常边界在哪里;
  4. 做错后会影响谁。

AI 可以替我们减少机械编码,但不能替我们完成业务判断。代码生成得越快,方案审查、业务走查和验收标准越要跟上。

慢的不是开发,而是周报 Agent 的责任边界

工程里最难的部分,往往不是把代码写出来,而是回答这些问题:哪些数据可以读取,哪些内容可以归类,什么结果算正确,错误由谁发现,发出去以后能不能撤回。

所以,我更愿意让周报 Agent 的责任逐步增加。

先生成草稿

Agent 负责读取任务和提交记录,生成周报草稿,但不直接发送。

这一层适合快速试验,因为结果容易检查,错误也容易修订。

再确认发送

草稿质量稳定后,可以让 Agent 填好发送内容、收件范围和风险摘要,但发送前必须确认。

这一层要验证的不只是文本质量,还有权限、审批和操作记录。

最后才有限自动

只有当任务边界稳定、判断标准明确、异常能够拦截、发送记录可以追溯时,才考虑让它对低风险项目自动发送。

能力升级不应该由一次漂亮的演示决定,而应该由连续验证的证据决定。

这就是“缓”的第二个含义:慢的不是操作,而是放开权限。

“事以缓成”不是慢开发,而是快反馈

谨慎不等于先设计一套完整架构,再开始开发。模型能力、工具调用和业务输入都有不确定性,很多规则只有运行之后才会暴露。更合适的节奏是:

快速建立最小闭环,逐步扩大责任边界。

还是以自动周报为例,可以分四步推进:

  1. 先读取人工导出的任务列表,只生成周报草稿,验证内容结构是否可用;
  2. 再接入代码提交记录,继续人工检查,记录数据对应错误;
  3. 增加发送能力,但发送前必须确认,验证权限和接收范围;
  4. 规则稳定后,只对低风险项目自动发送,并保留暂停开关。

这个过程看起来比一步到位慢,但它减少了返工,也让每次能力升级都有依据。这里真正要慢下来的,是三类决定。

第一,周报口径要慢一点定。要分清哪些字段是业务事实,哪些是模型判断;哪些允许为空,哪些必须标出来源;哪些内容会被团队会议、项目复盘或管理报表依赖。

第二,发送权限要慢一点放开。权限最好从只读开始,再逐步增加草稿生成、待确认发送和低风险自动发送。涉及项目风险、客户承诺和组织通知的内容,要单独确认,每次发送都要能够追溯。

第三,覆盖范围要慢一点扩大。一条流程能整理一个项目的周报,不代表它能直接覆盖所有项目。先选一个数据质量较好的项目连续跑几个周期,把人工修改点沉淀成规则,再扩展到下一类项目。

一条工作流能不能长期使用,还要看它怎么处理失败:

  • 是否留下输入、关键判断、工具调用和错误记录;
  • 是否能在危险动作前停下来确认;
  • 重新运行时,是否会重复发送;
  • 发送失败或内容错误后,是否能够撤回、补发或由人工接管。

Agent 的价值不只是替人执行,更是把执行过程变得可检查、可暂停、可追溯、可恢复。

AI 越快,我们越要管理好“速度差”

今天真正需要解决的,往往不是团队做得不够快,而是不同环节的速度不匹配:

  • 代码生成得很快,业务理解和测试没有跟上;
  • 工具接入得很快,权限管理没有跟上;
  • 工作流扩展得很快,日志和监控没有跟上;
  • Agent 执行得很快,人工确认机制没有跟上。

这种速度差,会把局部效率变成系统风险。

所以,“事以缓成”在 AI 工程里的价值,不是让每个环节都慢,而是让关键约束跟上执行速度。

面对一条新的 Agent 工作流,我现在会先问五个问题:

  1. 它解决的是稳定存在的问题,还是一次性的展示需求?
  2. 结果能不能通过测试、规则或人工确认来验证?
  3. 错误发生后,会影响一份草稿,还是影响团队和外部用户?
  4. 流程里是否留下了人工接管的位置?
  5. 它能否从建议、确认执行,再逐步走向有限自主?

如果你正在搭建 Agent 或自动化流程,可以先做三个小动作:

  1. 标出每一步的风险等级;
  2. 选择一个高频、低风险的最小闭环连续验证;
  3. 为失败补上一条暂停、追溯或恢复路径。

AI 时代不缺快速做出东西的能力,真正稀缺的是把一个东西长期做稳的能力。

所谓事以缓成,不是不行动,而是不让速度替代判断;不是拒绝自动化,而是让每一次自动化都有边界、有证据、有退路。

快一点开始,慢一点放开权限;快一点验证,慢一点承诺。

我是 WeiWill,深耕软件工程一线,专注 AI 应用落地与 Agent 开发。