# 一年 Agent 使用心得：从单兵作战到 6 人小队
Date: 2026-11-15


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

```mermaid
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](https://opencode.ai)：开源的终端 AI 编程 Agent，可接入多家模型。
- [Claude Code](https://github.com/anthropics/claude-code)：Anthropic 出的终端编程 Agent，能读代码、改文件、跑命令。
- [Codex](https://github.com/openai/codex)：OpenAI 出的终端编程 Agent（Codex CLI）。
- [DeepSeek Harness](https://github.com/deepseek-ai/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](https://github.com/obra/superpowers)：开源的 Agent skill 库，包含 TDD、调试、写计划等工作流程。
- [MCP](https://modelcontextprotocol.io)（Model Context Protocol）：让 Agent 调用外部工具和数据的标准接口。

