跟 AI Agent 一起寫程式(一):它是協作者,不是神諭

📚 《跟 AI Agent 一起寫程式》　這是一個 7 篇的系列,記錄我跟 AI coding agent 真實協作、一起蓋出這個站的工作法。

1. 心態與分工:它是協作者,不是神諭(本篇)
2. 怎麼開場:脈絡、計劃、拆任務
3. 引導,而不是餵答案
4. 怎麼收尾:驗證、review、何時自己接手
5. 信任的光譜:什麼時候盯緊、什麼時候放手
6. 工具與長期記憶:把協作規模化
7. 完整復盤:我們怎麼蓋出 8 軌道 64 課

我這個站上有一個 程式實驗室,八條軌道、六十四堂課,從經典機器學習一路到擴散模型。它幾乎全是我跟一個 AI coding agent 協作蓋出來的。

但「協作」這兩個字,我是後來才學會的。一開始我也跟很多人一樣,把 agent 當成神諭——丟一句願望進去,期待它吐出完美成品。結果不是失望,就是收到一坨「看起來對、細看全是地雷」的東西。

這個系列想記錄的,是我怎麼從「對著神諭許願」變成「跟一個同事協作」。而這第一篇,講的是最底層、也最重要的那個轉念:分工。

神諭心態為什麼會撞牆

神諭心態的問題,不在 agent 不夠強,而在你把它放錯位置了。

你對神諭許願,然後等待。你不給脈絡(神諭應該無所不知)、不拆步驟(神諭應該一步到位)、不檢查(神諭不會錯)。這三件事,每一件都剛好踩在 AI agent 最弱的點上:

• 它不讀心。你腦中那個「顯然應該這樣」的前提,它看不到。
• 它傾向一口氣給你一個完整答案,即使這個答案建立在它猜錯的假設上——它不會停下來說「等等,我不確定你要的是 A 還是 B」,除非你叫它停。
• 它很有自信地會錯。語氣篤定,像個資深工程師,但裡面藏著邏輯炸彈。

我在另一篇舊文裡寫過,早期的 AI 像個「一本正經胡說八道」的實習生。現在的 agent 強多了,但那個底層性格沒變:它的自信,跟它的正確率,是兩條獨立的曲線。 神諭心態最危險的地方,就是把這兩條曲線當成同一條。

換個比喻:它是一個很特別的同事

把它想成一個剛加入團隊的同事,會務實很多。這個同事:

• 博學得不可思議:幾乎每個語言、框架、API 都碰過,叫它寫一段 pandas、刻一個 U-Net、查一個冷門 flag,它都很快。
• 打字快得不像話:你描述一個功能,它幾分鐘生出整個骨架。樣板、重構、改 20 個檔案的同一個 pattern——這種「又煩又花時間」的活,它做得比你好、比你快、比你不會累。
• 但記性有限:它的「工作記憶」(context window)會滿。聊久了、檔案讀多了,它會忘記你十分鐘前說過的話。
• 而且沒有品味、也沒有立場:它不知道這個產品為誰做、為什麼這樣設計比那樣好、哪個取捨對使用者更重要。這些它沒有意見,只能等你給。

跟這樣一個同事共事,你不會把整個專案的方向盤交給他,也不會連他打的每一行字都重看一遍。你會分工。

我自己的那條分工線

蓋那六十四堂課的過程,我大致是這樣切的:

我守住的(人類的活):

• 方向與品味：要做哪些軌道、用什麼順序教、每堂課的「啊哈時刻」是什麼、哪裡該深哪裡該淺。這是整件事的靈魂,我一刻都沒放手。
• 取捨與判斷：手刻 DDPM 還是直接用 diffusers?強化學習要不要接真實遊戲環境?這些「沒有標準答案、要權衡」的決定,是我的。
• 真假的最終裁決：agent 說「這樣訓練是對的」,信不信、上不上線,我說了算。

我交出去的(agent 的活):

• 把我的決定變成內容：我定好一堂課要教「災難性遺忘」,它把概念寫成課文、生出 notebook、配好圖。
• 廣度的勞力：八條軌道的目錄結構、幾十個檔案的一致格式、跨課的交叉連結——這種「不難但量大、且要整齊」的工,正中它的紅心。
• 探索與回憶：「grad-cam 這套件現在的 API 長怎樣?」「這個站既有的 dark 配色變數叫什麼?」它查得比我翻文件快。

你會發現這條線有個規律:凡是『需要判斷、需要品味、錯了難回頭』的,我自己來;凡是『規則清楚、量大、可驗證、錯了好改』的,交給它。 後面幾篇會把這條線講得更細,但它就是整套工作法的地基。

一條我替自己立的規矩:先討論,再實作

分工聽起來抽象,但它落地成一條很具體的習慣,我幾乎每次開新任務都用:先討論,再實作。

意思是——遇到不是「改個錯字」這種瑣事的任務,我不會一句話就叫 agent 動手寫 code。我會先說:「我想做 X,你覺得有哪些做法?各自的取捨是什麼?先別寫。」

這條規矩替我擋掉了大量返工。因為 agent 一旦開始寫,它就沉沒成本了——它會傾向把那個方向硬走到底,而那個方向可能建立在它猜錯的前提上。等它寫完三個檔案你才發現「啊我要的不是這個」,那已經是兩敗俱傷。

先討論,等於用幾句話的成本,把「它腦中的假設」攤開來對齊。很多時候它提的做法比我原本想的好;也有很多時候,我一看它的提案就知道「它誤會了」,當場修正,一行 code 都還沒浪費。

這條規矩重要到,我把它寫進了 agent 的長期記憶設定裡(後面第六篇會講怎麼做),讓它每次跟我合作都預設「先給選項跟取捨,別急著寫」。人機之間的默契,是可以固化下來的。

小結:先擺對位置,再談技巧

這個系列後面會講很多具體招數——怎麼餵脈絡、怎麼引導、怎麼驗證、什麼時候該放手。但所有招數都長在這一篇的地基上:

你跟 AI agent 的關係,不是『主人對神燈』,而是『資深的你,帶一個博學但需要被定向的強力同事』。

你負責「為什麼」跟「好不好」,它負責「快又多地把事做出來」。一旦這個分工擺正了,你會發現它能扛的量大得驚人——大到一個人加一個 agent,真的能蓋出一整座有六十四堂課的線上學校。

下一篇,我們從一個任務的最開頭講起:怎麼開場,才能讓這位同事一上手就走對方向。