一句话看懂：AI 构建教学者 Micky（@Rasmic）在 Peter Yang 的访谈中表示，他仍不完全信任 AI 代理，尤其在涉及他人使用的场景；他通过证据驱动测试与人工复核，把代理的“自证”作为最后一道关卡。
事件核心：发生了什么
在 Follow Builders 于 2026 年 10 月 12 日发布的访谈片段中，Peter Yang 与 Micky（@Rasmic）讨论了代理式工程（agentic engineering）的工作流。Micky 曾教过 10 万以上的人用 AI 构建应用，他明确表示：“我还没有到信任代理的程度，尤其是涉及人们正在使用的东西。”目前公开信息显示，Micky 的立场并非否定代理能力，而是主张用流程约束风险。
他描述的流程是：代理先完成工作，并尽可能多地提供证据；随后进入人工复核环节。他提到的“证据驱动测试（evidence-driven testing）”、前后对比以及“greploop”等做法，目的是让代理自己呈现“做了什么、为什么可靠”。Micky 认为，对任何有经验的开发者而言，人工复核往往是工作中最令人疲惫的部分，而这些机制有助于减少摩擦。
为什么重要
这反映了一个正在形成的行业共识：代理能接管执行，但“信任”仍然是瓶颈。无论底层模型是大模型还是专用推理模型，代理在 API 调用、代码提交、部署上线等环节都可能因一个错误假设而放大风险。Micky 的“先证据、后复核”思路，实际上是在代理自主性与生产环境安全性之间做取舍。对于正在把 AI 代理接入真实产品的团队来说，这比单纯追求代理全自动更有参考价值。
从竞争格局看，闭源与开源方案都在强调代理能力，但用户侧的信任建设往往被低估。谁能把“代理提供可验证证据”变成标准工作流，谁就更可能在企业采购和开发者生态中建立优势。
对用户/开发者/创作者的影响
对开发者而言，这条访谈更像方法论提醒：不要因为代理能写代码、跑测试，就直接跳过人工检查。隔离工作区、可复用组件、证据驱动测试，都是降低代理失控概率的具体手段。对使用 AI 应用的用户和创作者来说，目前公开信息显示，Micky 的谨慎态度意味着短期内完全“放手不管”的代理产品仍难成为主流默认选项；涉及生产环境或他人使用的功能，人工复核仍会保留。企业采购方则可据此评估供应商是否提供足够的可追溯证据和回滚机制，而不只是看演示效果。
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
第一，观察 Micky 提到的“greploop”和证据驱动测试是否有开源工具或产品落地，以及它们是否被其他团队采用。第二，关注 Peter Yang 完整访谈中披露的四步代理工程工作流细节，是否包含隔离、构建、验证、复核的明确分工。第三，注意主流 AI 编程工具是否将“代理自证 + 人工复核”作为默认交互，这可能影响未来一年代理产品的信任设计方向。
