从今年年初开始,我在日常开发里大量使用 AI Agent。这篇记录这一年里的几个变化:工具怎么选、skill 和 MCP 怎么用、多 Agent 怎么分工协作,以及踩过的安全坑。
工具选择:还是终端最顺手
我平时大部分工作都在 shell 里完成,所以 TUI(终端界面)形态的 Agent 最适合我。
最早用的是 opencode,当时还想自己搭一个 Agent TUI,顺手给 opencode 做过一个登录界面。后来群里有位大佬分享了 Claude Code 的使用经验,那时还是照着文档一步步配置;再往后用 Codex,配置这类事基本都交给 Agent 自己完成了。DeepSeek Harness 出来时也试过,但它和我平时的使用习惯不太一样,最后还是回到了终端版本。
skill 与 MCP
我对 skill 的理解是:沉淀在 Agent 里的经验总结。我用得比较多的是 Superpowers。不同 TUI 之间的 skill 格式不一样,也不用自己改,让 Agent 帮你转换就行。
想让 Agent 尽快熟悉你的工作,有个简单的办法:在日常使用中,遇到它处理得好的任务,就让它自己把过程总结成 skill。刚开始我也花了不少时间到处找现成的 skill。
MCP 我用得不多,可能是还没用到一定规模,目前也没有接外部知识库。但有个问题已经出现了:历史数据越来越多,Agent 查找资料比以前慢了。做过几次本地数据分类优化,有些提升,不过长期来看,全部存在本地也不现实。
多 Agent 的工作模式
从一个 Agent 到一群 Agent
最开始只有一个 Agent 干活。后来有了 subAgent 方案,我把 ssh 登录、ftp 这类简单工作定义成了 subAgent。
还是不够用,就开了多个窗口,结果很容易混乱。又试过把多个 Agent 放进同一个窗口讨论,发现不好控制;于是设了一个主持人,按"出方案、反驳、更新方案"的固定流程推进。但实际工作中,很多任务本身是明确的,有些则带着特殊的业务场景,光靠一群 Agent 讨论,结果并不理想。
现在的分工:6 个 Agent
后来我单独设了一个架构师 Agent(arch)。我和它讨论方案,不确定时再找第二个 Agent 检查一遍,通过之后再安排开发和测试 Agent 去实现和验证。
现在协助我工作的 Agent 精简到了 6 个:
- arch:架构师,负责方案和审核
- dev:主力开发,负责核心模块
- 调研 Agent:负责资料和技术调研
- 两个辅助 Agent:分别做边界清晰的简单开发任务,以及测试和发布
- skill 管理 Agent:负责整理总结出的 skill,并自动同步给其他 Agent
多个 Agent 打通之后,剩下的就是工作安排、进度状态和任务跟踪。它们之间怎么通信、怎么来往,也可以按自己喜欢的方式让 Agent 帮你实现。现在的大模型已经能承担我大部分的执行工作,处理长任务也没什么问题;方案取舍和最终验收,还是得我自己来。
一个需求是怎么流转的
flowchart TD
A[我写需求说明] --> B[arch 分析需求、参考文档和开发基线]
B --> C[arch 出方案,我和它讨论]
C --> D{涉及页面?}
D -- 是 --> E[先做 demo]
E --> C
D -- 否 --> F[方案确定,分配开发]
F --> G[核心模块交给 dev,简单开发交给辅助 Agent]
G --> H[arch 审核]
H --> I[CI 打包]
I --> J[测试 Agent 部署并做功能验证]
J --> K{我最终验收}
K -- 有问题 --> B
K -- 通过 --> L[交付]需求来了,我先写一份需求说明(为此让 Agent 做了一个简单的页面),把需求说明、参考文档和开发基线一起交给 arch 分析。arch 给出方案后,我根据它的反馈和它讨论;涉及页面的部分,可以先让开发做个 demo 看效果。
方案确定后开始分配开发,这一步主要依赖 arch 的判断:核心模块交给 dev,边界清楚的开发任务交给辅助开发 Agent,测试和发布由另一个辅助 Agent 负责(这两个用的是相对弱一些的模型)。开发完成后由 arch 审核,通过后走 CI 打包,再安排 Agent 部署并做功能验证,最后由我验收。有问题就退回重新走一遍,直到交付。
验收时最常出问题的是前端:早期直接让 Agent 实现页面,做出来的效果很混乱。所以后来凡是涉及页面的需求,都先让开发做一个 demo,我看过、确认没问题,再进入正式开发。
工作目录隔离
多 Agent 还有一个绕不开的问题:多个 Agent 同时改文件会互相冲突。我用 git worktree 给同一个仓库里的并行任务分配独立工作目录;每个需求创建独立的工作任务,每个任务由一个 Agent 负责。
上下文和记忆
arch 的上下文用量到 40% 左右,我会手动 compact(压缩上下文),其他 Agent 交给它们自动管理。压缩之前,记得先把已经确定的方案落盘到文件里。
安全:几个血的教训
私钥。 年初做一个 Web3 demo 时,我不小心把私钥传到了 GitHub,没多久钱包就被清空了,后来查明是被机器人扫描到、把钱转走了。从那以后我定了一条规矩:私钥和密码一律不提交到仓库。开发过程中也不要让 Agent 接触真实的业务数据,敏感数据要先过滤。
权限。 慎用 --dangerously-skip-permissions,我就因为一次错误的指令删掉过部分文档。删除、强推这类操作,一定要确认后再执行。
备份。 关键数据定期备份,整个开发过程用 git 管理,并定期同步到远端。
总结
人负责需求、方案取舍和最终验收,Agent 负责执行和互相检查。
文中提到的工具
- opencode:开源的终端 AI 编程 Agent,可接入多家模型。
- Claude Code:Anthropic 出的终端编程 Agent,能读代码、改文件、跑命令。
- Codex:OpenAI 出的终端编程 Agent(Codex CLI)。
- DeepSeek Harness:DeepSeek 开源的 Agent 框架,“一切皆插件”,以本地 Web 界面和桌面应用为主。
- Superpowers:开源的 Agent skill 库,包含 TDD、调试、写计划等工作流程。
- MCP(Model Context Protocol):让 Agent 调用外部工具和数据的标准接口。