AI Agent开发陷入效率困境：开发者探讨Trellis工作流与代码验证难题

一位开发者在技术社区Linux.do发帖，质疑使用AI Agent进行全栈开发的实际效率。该开发者在使用Claude Opus 4.8模型开发一个简单的增删改查（CRUD）全栈项目时，耗时超过十天，远高于其他开发者两三天的速度。针对这一显著的效率差异，楼主进行了深入的自我剖析，并向社区寻求优化建议。

首先，楼主探讨了工作流模式对开发速度的影响。他目前采用的是Trellis工作流（一种包含头脑风暴等环节的Agent开发流程）。实测发现，虽然这种结构化的工作流能让Agent生成的代码更全面、项目开发过程更可控，但由于增加了预处理和结构化步骤，其耗时明显长于未安装此类技能的快速开发模式。楼主提出疑问：在实际开发中应如何在“可控性”和“开发速度”之间进行平衡？是否应根据项目规模灵活切换工作流？

其次，测试与验证成为了阻碍效率的核心瓶颈。开发者指出，使用AI开发的大部分时间实际上消耗在了效果测试和全流程跑通上。由于AI生成的逻辑（特别是定时任务等复杂逻辑）存在不确定性，开发者往往需要投入比编码更多的时间进行端到端测试。代码审查在AI生成的海量代码面前显得不切实际。因此，如何快速确定AI编写功能的正确性，以及如何建立对黑盒逻辑的信任，成为了当前AI辅助开发中的普遍痛点。该帖引发了关于如何构建高效AI开发工作流以及如何解决“验证债”的讨论。

事件分析

💡 核心观点：AI编程工具正面临“控制-速度”悖论，复杂的Agent工作流虽能提升代码质量，却引入了巨大的验证成本，高效的自动化测试机制将是下一阶段突破的关键。