开发者在V2EX发文指出，使用AI编程Agent工作一下午常感精疲力尽而成果有限，根源有三：一是重复的细节习惯需反复向AI交代，如要求Agent在独立worktree和分支开发、测试后自动开启PR，换会话或上下文压缩后AI可能不再遵循；二是需求对齐困难，人对需求的理解受个人品味、知识和近期思考影响，类似过去老板指挥设计师改像素的场景；三是AI难以直接生成理想代码。作者的应对方式是只在概念层面与AI对齐：让Agent生成ASCII架构图确认方向，UI开发则让Agent参考具体应用界面，不苛求代码细节，通过PR附带的架构图和截图判断大方向后直接合并。基于这些实践，作者开源了AI助手Pot，核心设计是把人的介入限制在高层、只把控结果，让Agent逐步学习用户偏好。Pot采用助手形态，支持持续会话以沉淀用户指令和记忆，每个助手专注单一场景避免上下文污染，并可打通定时任务、助手间沟通和GitHub通知，例如每日检查线上日志异常、自动开Issue并启动多任务修复，再由另一开发助手Review后自动合并部署。作者受ChatGPT Dot启发开发Pot，认为当前大模型已能支撑更有用的AI助手形态。
事件分析
这篇文章折射出AI编程工具正从’命令执行’向’助理协作’范式过渡。当前Coding Agent的痛点并非模型代码能力不足，而是会话记忆、偏好沉淀与人机对齐机制的缺失，这也是AGENTS.md等约定文件兴起的原因。Pot尝试的助手形态代表另一条路线：通过长期会话积累上下文，以多助手分工隔离场景、避免上下文污染，并打通定时任务与GitHub事件实现无人值守的开发流水线——自动开Issue、多任务修复、互相Review后合并部署，预示着自动化开发工作流的演进方向。不过对追求代码质量的企业级场景，人工核对仍难替代，问题最终仍需依赖大模型的持续迭代来缓解。
核心观点：AI编程的累不在写码而在盯梢，谁能替人守住细节并记住习惯，谁就掌握下一代开发工具的入口。
原文链接：V2EX 分享发现
