现状 - AI / Agent 使用与思考路径

一、当前使用阶段定位

当前处于：

• 个人项目高强度实验阶段
• 多模型横向对比阶段
• Agent 深度参与编码阶段
• 企业级落地理性评估阶段

目标不是单纯使用 AI， 而是探索：

如何将 Agent 纳入工程体系，而不是成为额外负担。

---

二、当前 AI 参与开发的范围

已覆盖：

• 后端开发
• 前端开发
• 数据库 Schema 设计
• 接口定义
• 重构优化
• 单元测试生成
• 多文件联动修改

使用模式已经从：

“辅助工具”

转向：

“协作式编码参与者”

---

三、成本体感

在未做严格约束情况下：

• 单日 Token 消耗可达 ~$18
• 即使是个人项目也会出现明显膨胀

问题来源：

• 跨文件读取
• 上下文扩张
• 约束 Markdown 不精细
• Agent 自动扩大理解范围

已意识到：

成本问题本质是上下文控制问题。

---

四、企业级经验的认知基础

在原企业环境中：

• 代码规模百万行级
• 模块依赖复杂
• 业务理解成本高
• 技术治理类改造较多

当时 Agent 使用偏保守：

• 单元测试生成
• 代码评审辅助
• 小规模代码补全

核心代码仍以人工为主。

原因：

• 不确定性
• 修改范围不可控
• 修正成本较高

---

五、当前新的核心担忧

过去的工程难点：

• 架构耦合
• 业务理解复杂
• 模块依赖隐性

现在新的难点开始转移到：

• Agent 的 Markdown 约束设计
• Workflow 设计
• 知识库结构搭建
• MCP 结构设计
• 上下文组织方式

问题出现为：

代码复杂度，正在向“认知结构复杂度”转移。

---

六、隐藏成本问题

当前已经明显感受到：

• 文档需要持续维护
• 业务发展 → Markdown 必须同步更新
• Workflow 需要迭代
• 知识库结构需要重构
• 约束规则需要优化

否则会出现：

• Agent 理解偏差
• 输出不稳定
• 上下文污染
• 成本进一步膨胀

形成一个新的循环：

提升编码效率
↓
增加文档与结构维护成本
↓
维护成本上升
↓
效率收益被抵消

这个循环如果不优化，会形成负收益。

---

七、结构性认知

已形成一个清晰判断：

Agent 不只是编码工具，而是一套“认知架构系统”。

而这套系统本身：

• 有学习成本
• 有维护成本
• 有结构设计成本
• 有持续迭代成本

在某些阶段：

甚至可能比代码本身更复杂。

---

八、当前成长方向

后续需要提升的能力：

1. 如何设计“最小必要约束”
2. 如何避免过度文档化
3. 如何让知识库结构保持可演进
4. 如何控制 Agent 理解范围
5. 如何让文档维护成本 < 编码效率收益
6. 如何构建真正的闭环，而不是增加层级

核心目标：

让 Agent 成为生产力杠杆，而不是认知负担。

---

九、阶段总结

当前状态不是落后，

而是处于一个关键认知转折点：

从“如何用 Agent 写代码”

转向

“如何设计一套可持续的 Agent 工程结构”。

这是一个从工具使用者， 向结构设计者转变的阶段。