> 人类介入 = 瓶颈
想象一辆自动驾驶汽车，每 30 秒就需要你握住方向盘。你会称它为'自动驾驶'吗？不会。你会说它是个比定速巡航好不了多少的驾驶辅助功能。
编程又有什么不同？
我们已经接受了一种范式，'AI 编程'意味着一个聊天机器人写 20 行代码，然后等你修复。这不是自动化——这是微观管理。
- ✕修复 AI 的半成品代码
- ✕手动纠正语法错误
- ✕来回复制粘贴上下文
- ✕逐行检查幻觉
那不是'人机协作'——那是 AI 没有完成它的工作。
Oh My OpenAgent 建立在一个人类应该是架构师，而非拼写检查员的前提上。
无法区分的代码
Agent 写的代码应该与资深工程师写的代码无法区分。
遵循现有代码库的模式和架构
实现正确的错误处理和边界情况
编写真正测试行为的测试，而不仅是覆盖率
没有'AI 垃圾代码'——干净、简洁、可维护的代码
只在增加价值时注释，不陈述显而易见的内容
"如果你能分辨出提交是由人类还是 Agent 完成的，那么 Agent 就失败了。"
Token 成本 vs 生产力
我们不在乎 token 使用量。我们在乎产出。如果花 5 美元在 token 上能节省一小时的工程时间，那就是 20 倍的投资回报。
- 并行 Agent 探索多种解决方案
- 无需人工干预即可完成工作
- 彻底的自我验证循环
然而...
我们在关键之处优化效率。不是通过削弱模型，而是：
- 对常规任务使用更便宜的模型
- 避免冗余探索
- 智能缓存上下文
- 恰到好处地停止
最小化人类认知负荷
人类只需要说出他们想要什么。其余都是 Agent 的工作。
方法 1
Ultrawork
只需说 'ulw' 然后离开。
分析代码库上下文
将任务分解为原子步骤
执行实现
针对需求验证
提交更改
零干预。完全自主。只看结果。
方法 2
Prometheus + Atlas
当你需要战略性控制时。
Prometheus
进行访谈、研究上下文并生成详细的 YAML 计划。
Atlas
执行计划，委派给子 Agent，管理波次并跟踪进度。
你设计架构。Agent 执行。完全透明。
可预测
相同输入 = 一致输出。除非要求，否则没有随机偏差或创意发挥。
持续
经得起中断。实时跟踪进度。跨会话保留上下文。
可委派
明确的验收标准。自我纠错机制。仅在绝对必要时升级。
核心循环
Human Intent
Agent Execution
Verified Result
↻ Minimum Intervention
Prometheus
通过智能访谈提取意图
Metis
在歧义变成 Bug 之前捕获它们
Momus
在执行前验证计划完整性
Orchestrator
无需人工微观管理协调工作
Todo Continuation
强制完成，防止'我完成了'的谎言
Category System
无需人工决策路由到最优模型
Background Agents
并行研究而不阻塞用户
Wisdom Accumulation
从工作中学习，不重复错误
我们正在构建的未来
人类开发者专注于构建什么，而非如何让 AI 构建它
代码质量与谁编写的无关
复杂项目与简单项目一样容易
'提示工程'变得过时
"Agent 应该是无形的。就像电，就像自来水。"
"你按下开关。灯亮了。你不会去想电网。"