The Correct Way to Build and Manage AI Agents in 47 Minutes | Jared Zoneraich

Cognition 的 Devon 已有超 50% 的任务是由其他 Devon 自动发起，主力场景是大规模代码迁移和自动化测试，开发者只需做决策和审美把关。

• Devon 的定位是“工程师倍增器”：它不是要取代写代码的人，而是让一个工程师能带一队“AI 小工”，把繁琐的活全甩给代理，自己只管做决策和把关。
• 主力场景是大规模代码迁移和自动化测试：比如把一整个旧系统（如 COBOL、JavaScript）迁到新语言（如 TypeScript、Swift），或者给大公司老旧代码库补测试、做代码覆盖率提升。
• Devon 的最大用户群是金融、Fortune 100 级别的大公司：这些公司代码不能出错，Devon 的卖点就是“写出来的代码能自测、能验证、能跑得动”。
• Devon 支持“主-子代理”模式：一个主 Devon 可以自动拉起几十甚至上百个子 Devon，每个子代理在自己的虚拟机里专注做一件小事，最后主代理汇总结果、做总把控。
• 实际用法是“云端批量开工”：开发者可以在手机或 Slack 上远程发起任务，比如上班路上让 Devon 开 10 个分支同步改 landing page，下班前只需拉代码验收。
• Devon 的自动化比例已超 50%：现在新发起的 Devon 任务里，超过一半是被其他 Devon 或自动化脚本触发，而不是人手动点的。

• 每个 Devon 子代理都是独立虚拟机：有自己的桌面环境、浏览器、能跑测试、能截图，像一个远程实习生一样能自证成果。
• 主代理能和子代理“对话”：比如让每个子代理做完任务后发回截图、测试结果，主代理统一收集和检查。
• 云端架构带来两大好处：1）电脑可以关机，任务照跑；2）能同时开几十上百个代理，远超本地电脑性能极限。
• Devon 还支持本地-云端混合用法：本地代理负责同步和监控，重活甩给云端批量跑，适合需要人机协作的场景。
• 自动化触发器和 Slack 集成：比如监控到 Datadog 报警，自动拉起 Devon 处理，无需人工介入。

• Devon 的理念是“让模型自己发挥”：不建议写超复杂的 prompt 或流程，直接用自然语言下指令，模型会自己试错、选工具。
• 团队知识靠“技能、宏、知识库”共享：比如环境搭建流程、常用脚本，Devon 会自动记录并复用，减少重复劳动。
• 自动生成文档和 Wiki：Devon 能自动为代码库生成文档，解决大公司“没人写文档”的老大难问题。
• 评测（eval）也能交给 Devon 自动做：比如让 Devon 自己生成测试用例、做 smoke test，开发者只需最后人工把关“最后 10% 的质量”。

• 对比 Codex、Replit 等，Devon 更偏向“团队级、工程级”：不是给新手做玩具项目，而是给需要大规模重构、自动化的企业用。
• Devon 支持“多用户协作”：不仅是 AI 之间的协作，还能让团队成员共享技能、进度、自动化脚本。
• 模型选择自动化：Devon 会根据任务自动选用最合适的模型（比如自研的 Suite），开发者不用手动切换，兼顾成本和效果。

• AI 代理将从“写代码”扩展到一切知识/流程型工作：Devon 目前聚焦工程，但团队内部已用它做房屋找租、自动化办公等非技术任务。
• “主-子代理”范式会成为主流：像带团队一样分工协作，每个代理专注一小块，整体效率和质量都更高。
• 代码、PPT 这些“二阶产物”会变得不重要：未来人和 AI 交流的层级会更高，代码、幻灯片只是中间产物，真正重要的是需求和决策。
• 开发者的角色会转向“决策+审美”：AI 负责执行和产出，人只在最后一公里做判断和微调。

“我们不是要让工程师失业，而是让一个工程师能带一百个 AI 小工，把所有繁琐的活都自动化。”

• 做企业 AI 工具的可以抄“主-子代理”模式：把大任务拆成小块，自动分配给多个子代理并行处理，能极大提升效率和可控性。
• 别指望 prompt 工程是护城河：模型进步太快，复杂 prompt 很快就会被淘汰，真正的壁垒在于自动化、知识复用和团队协作能力。
• AI 产品要优先考虑“自动化触发”和“云端批量”：让用户能远程、批量发起任务，减少对本地硬件和人工的依赖，是未来主流用法。
• 开发者角色转型信号明确：未来写代码本身不再是核心竞争力，决策、审美和流程设计才是人类工程师的价值所在。