一句话看懂：一位开发者在持续使用 Coding Agent 近一年后，把自己从写代码的执行者重新定位成定规则、控预算、做验收的决策者。真正值得关注的不是”又提效多少”，而是当 AI 接管大部分编码后，人的核心工作正在变成”把判断写进文件”。
事件核心：发生了什么
掘金作者 Cy13er 在 2026 年 9 月发布长文，复盘自己从去年底至今使用 Coding Agent 的真实经历。他用 React Native 上线了一个 Android 像素风日记应用，又用 Godot 做了幸存者类肉鸽原型和挂机陪伴游戏，还自研了一个 Android 端 Agent Runtime。这些项目累计四万多行代码，绝大多数并非他亲手敲出。
他的结论不是”AI 提效 N 倍”，而是角色变化：产出从代码变成判断——该做什么、不该做什么、做到哪一步停。为此他沉淀出四类做法：把项目特有的坑写成 AGENTS.md 约束和 skill 文件；用”入口只放路由、逐层加载”的方式控制上下文预算；把验收分成 AI 自证、AI 初判加人抽检、人亲自判三档；用”不做清单”收敛需求、分点验证防止改动失控。
为什么重要
这类一线复盘比工具评测更有参考价值，因为它暴露了一个被忽视的成本结构：规则文件本身会膨胀，膨胀后会消耗上下文注意力，表现为漏项、擅自扩范围、格式悄悄退化。也就是说，AI 编码的瓶颈正从”模型会不会写”转向”人能不能把自己的判断结构化、可维护地交出去”。这直接关系到 Coding Agent 的落地深度——谁能把渐进式披露、角色拆分、可回看证据这套工程习惯跑通，谁才真正吃到红利。
对用户/开发者/创作者的影响
对使用 Claude Code、Codex 类工具的开发者，可借鉴的几点很具体：只把会重复踩的坑和 AI 缺的领域常识写成约束，通用最佳实践和一次性业务特例不要塞进去；验收尽量往第一档挪，因为只有客观判据能让 AI 自我闭环、且不占人的时间；需求阶段先写”不做什么”，因为失控往往来自”顺手做多了”。对创作者和产品侧，作者提醒得很直接：AI 能判断”按钮点了跳 A 页”，但判断不了”用户在这里是否期待跳到 A”，这一档目前仍无法外包。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
目前公开信息显示，作者自己对这套方法也留了未解问题：文档何时归纳、何时废弃，仍靠”它开始乱来了”这种滞后信号触发；验证力度该给多大，本质是在烧 token，仍在摸索。后续可观察三点：AGENTS.md / skill 这类规范文件会否出现更好的生命周期管理工具；Coding Agent 是否原生支持分层加载与自动清理；以及截图、测试等”可回看证据”能否成为标配验收资产。
来源：juejin
