How This Ex-Meta L8 Engineer Ships 40 PRs a Day with AI Agents | Kun Chen

当AI Agent能写出10倍于人类速度的代码时，真正的瓶颈不再是写代码，而是如何设计一套全新的工作流来管理、验证和并行化这些AI产出，这需要你把自己从“代码审查者”的角色中彻底解放出来。

这期内容适合所有正在或准备用AI Agent写代码的开发者、技术管理者，以及想了解AI如何改变软件工程实践的创业者。值得花时间看，因为它不是空谈AI能做什么，而是展示了一个前Meta L8工程师如何将AI Agent深度嵌入到从规划、编码到验证的每一个环节，并构建了一套完整的工具链来管理并行Agent会话。最值得注意的洞见是：当AI Agent成为主力编码者后，人类的角色必须从“代码审查者”转变为“工作流设计者”和“决策者”，否则你自己就会成为整个系统的瓶颈。

这期节目是一场深度对谈，嘉宾是一位前Meta和微软的L8工程师，现在全职做独立开发者。他详细拆解了自己如何利用AI Agent来构建产品，核心思路是将工作流分为“规划-编码-验证”三个阶段，并大幅增加在规划和验证阶段的投入，从而让编码阶段完全由Agent自主运行。他不仅分享了方法论，还现场演示了自己构建的几款工具（Lavish、Treehouse、No Mistakes），这些工具都是为了解决他在使用Agent过程中遇到的真实痛点，比如如何高效地并行管理多个Agent会话、如何让Agent之间不互相干扰、以及如何用另一个Agent来审查代码，确保质量。

1. 规划阶段决定Agent的自主性上限：花在规划上的时间越多，Agent就能越长时间地自主运行。一个模糊的提示词只能换来Agent几分钟的工作，而一份详细的规格说明或可衡量的目标，能让Agent持续工作数小时。
2. 并行化是提升效率的关键：不要等待一个Agent完成工作。同时启动5个、甚至20-30个Agent会话，让它们在不同项目或同一项目的不同部分并行工作。你作为“管理者”的角色就是在这些会话之间切换，处理需要你判断的“升级”问题。
3. 用“新鲜视角”的Agent做代码审查：不要在同一个会话中让Agent审查自己的代码，因为它会带有偏见。应该启动一个全新的Agent会话，让它带着对原始意图的理解（通过分析会话记录获得），用“新鲜的眼睛”来审查代码，这样能发现更多边缘情况和逻辑错误。
4. 将手动操作转化为Agent指令：如果你发现自己反复在做某件事（比如手动打开应用、截图、检查UI），就应该尝试把这个流程写成指令，让Agent自动完成。这包括编写端到端测试脚本，让Agent在每次改动后自动运行。
5. “无错误”验证流程：嘉宾构建的“No Mistakes”工具，将代码验证自动化成一个流水线：创建分支、重定基、代码审查、运行测试、生成证据（截图/视频）。这个流程会区分“明显错误”（自动修复）和“有产品影响的错误”（升级给人类决策），从而将人类从繁琐的代码审查中解放出来。
6. AI时代的工作流需要重新设计：传统软件团队每月10-15个PR的工作流，在AI Agent每天能产生20-40个PR的背景下已经失效。未来的团队需要停止依赖人工PR审查，转而依赖AI审查和自动化测试，否则人类会成为整个流程的瓶颈。

“如果你审查每一行代码，你就会成为瓶颈。最终我发现自己从未抓到过Agent没抓到的错误。”

这期内容对AI从业者最大的启发在于：AI Agent的“生产力”本身不是问题，如何管理这种“生产力”才是新的核心挑战。

1. 从“写代码”到“设计工作流”：嘉宾的实践清晰地表明，AI Agent时代，最稀缺的能力不是写代码，而是设计一套能让Agent高效、可靠、可并行工作的系统。这包括如何编写高质量的规划提示、如何管理Agent的上下文窗口、如何设计验证流程。这为AI产品经理和开发者提供了一个全新的职业方向：AI工作流工程师。

1. “工具链”是Agent落地的关键：嘉宾自己构建了Lavish（视觉规划）、Treehouse（工作树管理）、No Mistakes（自动化验证）三款工具。这揭示了一个趋势：通用AI Agent的能力很强，但要让它在具体场景中高效工作，必须围绕它构建一套“脚手架”工具。这些工具解决的是Agent的“协作”和“管理”问题，而非“生成”问题。对于AI创业者来说，开发Agent的“管理工具”和“协作平台”可能比开发Agent本身更有商业价值。

1. “验证”是Agent产品的护城河：嘉宾花了大量精力在“No Mistakes”这个验证工具上，并强调“用新鲜视角的Agent做审查”。这提醒我们，在AI产品中，“输出质量”和“可靠性”的保障机制，本身就是核心产品力。一个能自动发现并修复自身错误的Agent系统，其价值远超一个只会生成代码的Agent。对于做AI开发工具的团队，如何设计一套高效、低成本的“自我验证”机制，是产品能否从“玩具”走向“工具”的关键。