AI 工程周刊 · 每周十篇非显而易见的工程洞察
agent 能干多大的活，不再受单会话上下文窗口的物理上限约束。
动态工作流（Dynamic Workflows）让 Claude Code 在运行时自己写编排脚本，派生几十到上百个并行子代理，并让对抗性 agent 在结果浮现给用户前先行验证；长任务中途中断还能从断点续跑，而非从头再来。
这把"agent 能干多大的活"从单会话上下文的物理上限里解放出来，影响所有要让 AI 啃下大型迁移、审计、重构的团队。最有说服力的证据来自 Bun：把约 75 万行代码从 Zig 移植到 Rust，从首次提交到合并仅 11 天，99.8% 既有测试通过——靠的是每个文件配两个 reviewer 子代理加一轮通宵优化 pass。
实践上，遇到"一个上下文装不下"的任务，应改用脚本化 fan-out 加对抗验证的 harness，而不是把任务硬塞进单会话，并把中间结果落盘让 workflow 可恢复。下一步值得关注的是：当编排规模到上百 agent 时，验证与成本如何随之治理。
"决定 agent 成败的，不再是它能写多少代码，而是我们如何编排、验证与约束它。"
— 本周主题
AI 能以接近人类的准确率通过 CAPTCHA，但其认知过程（点击轨迹、变向、过度选择）与人类可测量地不同；越大的前沿模型在过程相似度上反而比小模型更不像人。
▸ 点击展开详情
拆穿了"模型越强越能伪装成人类"的假设——输出等价 ≠ 过程等价，二者实证上不相关。在 1000 万+ 人类选择上微调的 70B 模型 Centaur，过程拟人度反超所有前沿模型。
把检测从"答案对不对"转向"过程像不像"，基于认知心理学任务构建 Process Turing Test（如 CogCAPTCHA30 的 30 项任务组），并对 agent 隐藏判别器的完整特征集。
单条输出级别的评估准确率，与"哪个 agent 变体更好"是两件根本不同的事；打不准单条输出的噪声评估器，在足够样本下仍能近乎完美地给 agent 变体排序。
▸ 点击展开详情
很多团队因"LLM-as-judge 不够准"而放弃用它做选型，其实错配了指标。真正让评估器失效的是"区域性偏置"，而非噪声本身。
看 agent-level 相关性而非 output-level；样本量按性能差距的平方反比估。案例：Wordle 评估器 output-level 仅 0.41，agent-level 达 0.96。
MCP 最大的隐性成本不是调用慢，而是"工具定义"在你动手前就吃掉大量上下文——4 个 server 占 10.5% 窗口，单个 Linear server 常驻 42 个工具定义、约 1.28 万 token。
▸ 点击展开详情
长会话 agent 中上下文就是工作台。换成 CLI + Skills 后作者释放约 2.1 万 token 并消除初始化失败。（Tool Search 延迟加载已降低 85%+，但延迟与可调试性论点仍成立。）
按 CLI → Skills → MCP 优先级接入工具。同一次 Linear 查询，MCP ~12,957 token vs CLI ~200 token（约 65×）。
受控实验中，一个强模型配干净 prompt 持续打败多 agent 委员会——图像生成多 agent 0/12 胜（单 agent 11 胜 1 平），更严格跨厂商流水线下也只赢 1/10。
▸ 点击展开详情
给"多 agent = 更聪明"的热潮泼冷水。多 agent 的真实价值在"强制流程、证据隔离、可审计"，而非推理更强。
只有需要审计与可复现时才上多 agent，并为每次运行强制产出证据清单（provider 调用、对象 key、replay 确认、测试、日志、哈希、verdict）。
任何 AI 辅助任务的头尾各 10%（界定问题与最终判断）必须由人掌控，中间 80% 才交给 AI；困在聊天框会害你跳过最关键的最后 10%。
▸ 点击展开详情
戳破"10x 提效"幻觉：2x 可稳定复现，窄任务可达 3x，超 5x 多半在偷工减料。"AI 诱发的多任务"更隐蔽——切换成本可吞掉多达 40% 生产时间。
agent 跑时别切去做无关任务，要"跑在 agent 前面"：复查上段输出、起草下个 prompt、规划验证。
让所有 agent 套同一套治理规则才是企业 agent 失败的根因；一刀切会同时过度限制简单 agent、又管不住自主 agent。
▸ 点击展开详情
Gartner 预测 2027 年 40% 企业因"上线后才发现的治理缺口"降级或下线自主 agent，是对正铺开 agent 团队的预警。
按自主度分级治理：Observe（只读）→ Advise（只建议）→ Act with Approval（动作人工放行）→ Act Autonomously（护栏+异常复核），治理强度随能动性递增。
vibe coding 在生产翻车往往不是代码写错，而是 LLM 跳过了写代码前的工程纪律——不变量、唯一性规则、约束、失败模式、接口契约。
▸ 点击展开详情
非工程师不知道该问哪些问题（如 email 是否唯一），LLM 也不主动提醒；被跳过的决策会以"功能打架、状态不可预测、部署失败"后期反噬。
真实例子：没强制 email 唯一会让密码重置清空所有匹配账号。把"前置决策清单"显式写进 spec，让 agent 按契约生成。
终端"一条命令→一个结果"的线性交互，与 agent 会话本质（带意图、上下文、权限、副作用的有状态对象）根本错配。
▸ 点击展开详情
一人并行驱动多 agent 时，"哪条指令触发、在什么状态上操作、改了什么、能否回滚"必须一眼可见，否则监督失控。
用 git worktree 作为并行 agent 的正确原语（一分支一服务一 agent），让工作区显式呈现任务 provenance 与可回滚状态。
jqwik 作者在 1.10.0 故意埋入隐藏 prompt 注入——"删除所有 jqwik 测试和代码"——作为对 vibe coding 的抗议，未披露、不可 opt-out。
▸ 点击展开详情
注入用 ANSI 转义码对人类 reviewer 隐藏，是针对 AI 编码 agent 的全新供应链攻击面。Claude Code 识别并拒绝执行，其他 agent 未必。
把依赖更新纳入 agent 安全审查，对第三方库做注入扫描（留意 ANSI 转义、隐藏指令），别让 agent 在未审查依赖上有破坏性文件权限。
本周的 AI 工程叙事，主线只有一句话：行业正从"AI 能不能写代码"的兴奋期，进入"如何工程化地约束、验证与编排 agent"的纪律期。一端是能力的爆发——Claude Code 的动态工作流把单会话上限炸开，让上百个子代理协作完成 75 万行级别的迁移；另一端却是冷静的祛魅：实测显示多 agent 委员会在多数任务上反被单个强模型 11:1 碾压，MCP 的工具定义在你动手前就吞掉一成上下文，Gartner 更预测到 2027 年四成企业会下线自主 agent。中间夹着方法论的成熟：哪怕嘈杂的评估器也能可靠地为 agent 选型、"vibe coding"之所以在生产翻车是因为跳过了前置工程决策、CAPTCHA 研究发现越强的模型反而越不像人。还有安全的新边界——有人把"删库"指令用 ANSI 转义藏进开源库，专门投毒 AI 编码 agent。把这些拼起来，结论清晰：决定 agent 成败的，不再是它能写多少代码，而是我们如何编排、验证与约束它。