这两年朋友圈最流行的晒法是贴一张截图：”我的 Agent 自主跑了 3 小时，烧了几百万 Token，把整个项目干完了”。但吴恩达（Andrew Ng）最新这篇文章，专门给这种晒法泼了盆冷水。
9 月 4 日，吴恩达在 LinkedIn 发布《AI Engineering Skills Map: Using Coding Agents》。他和团队访谈了多位顶尖 AI 工程师、结合自身实践后得出一个判断：真正拉开差距的不是”会不会让 Agent 跑”，而是会不会”指挥”它。这是他把今年在推进的《AI 工程技能地图》研究（基于上万条招聘数据和专家访谈的长期项目）里”使用 Coding Agent”这一项，单独展开成的一篇完整方法论。今天逐条拆给你看，文末附落地清单。
一、三阶段工作流：规划 → 执行 → 部署监控
吴恩达发现，尽管 Coding Agent 改变了写软件的方式，顶尖工程师的工作流仍然可以归纳成三个阶段。
Planning（规划）——先想清楚，再让 Agent 动手。 规划不只是写一段 Prompt。真正动手前，要做问题分析、研究、理解现有代码库，然后写出一份 Spec，把需求、技术设计、架构明确下来，再拆成可执行的计划。这里有个很重要的判断：过去大家讲 Prompt Engineering，而在复杂的 Agent 项目里，更重要的能力正在变成 Spec Engineering——把”要什么、约束什么、怎么算验收通过”写清楚。
Execution（执行）——难点是给 Agent 多大自主权。 执行阶段的核心是 Build → Test → Verify。真正难的不是让 Agent 开始写代码，而是判断它该独立跑多久：低风险任务可以放手让它长时间自主运行，涉及生产数据、权限、核心架构的高风险任务，就得加密人工检查点。这种根据风险动态调节人机分工的能力，吴恩达叫它 Autonomy Calibration（自主权校准）。
Deployment & Monitoring（部署与监控）——Agent 的活不止写代码。 代码写完后，Agent 还能参与 CI/CD 部署、盯日志、发现异常、给出修复方案，再进入下一轮。Coding Agent 正在从”写码助手”长成”工程 Agent”。
二、五项核心能力：到底练什么
顺着三阶段，吴恩达把”用好 Coding Agent”收敛成五类可练习的能力：
1. 指挥工作流（Directing the Workflow）。 判断什么时候该研究、什么时候开始写代码、Spec 该写多细、大任务怎么拆成可验证的小块、什么时候让 Agent 继续、什么时候人必须介入。工程师的角色正在从”自己把活干完”变成”组织 Agent 把活干完”。
2. 赋予 Agent 恰当的自主权（Enabling Agent Autonomy）。 不是”让 AI 随便跑”，而是按任务选自主程度：有的任务适合人机高频交互，有的可以设定目标让 Agent 循环执行直到完成。同时要管好上下文——项目架构、历史决策、业务规则、编码约定，Agent 缺了这些再强的模型也会”在错误信息上做正确推理”。任务足够大时，还可以拆成 Planner、Coding、Testing、Review、Monitoring 多个 Agent 并行。
3. 审查产出（Reviewing the Work）。 Agent 的输出是不确定的——可能写出好方案，也可能非常自信地埋一个 bug。所以不能”Agent 写完直接上生产”，而要 Build → Test → Verify → Review → Improve。判断 AI 工程是否成熟的标准不是”Agent 能不能做”，而是”它做完以后，你能不能判断它做对了”。拿不准的，可以上评测集 + LLM-as-a-Judge，但最终拍板必须是人：Agent 做、Agent 审、人决定。
4. 定制 Agent 与环境（Customizing the Agent and Its Environment）。 成熟的 Coding Agent 不是”模型 + 一段 Prompt”，而是模型 + Tools + Skills + Plugins + MCP + 上下文 + 代码库的组合。通过 MCP 接上代码仓库、API、数据库、测试、日志，Agent 才能从聊天机器人变成”数字工程师”。用 CLAUDE.md、AGENTS.md 这类持久上下文文件，把人的隐性知识（项目结构、架构、编码风格、测试方法）变成 Agent 每次开工都能读到的显性知识——这正是我写过的 AI 编程项目规则迁移清单 在做的事。再往上，可以用 Hooks 自动触发代码审查、测试、安全检查、CI/CD，把人工工作流改造成 Agent 驱动。
5. 理解底层原理（Coding Agent Foundations）。 不一定要自己造 Agent，但至少得懂代码库搜索、检索、上下文窗口、工具调用、MCP、子 Agent、Agent Harness 这些机制——因为你只有理解 Agent 怎么工作，才知道它为什么会失败。吴恩达列了五种典型失败模式：过度设计（简单问题被搞复杂）、缺乏验证（代码跑通了但结果不对）、提前完工（活没干完就报告 Done）、上下文丢失（干久了忘了关键约束）、危险操作（误删文件、覆盖配置、改错生产数据）。最后这一条，上周的 Claude Code 删掉 700GB 事故 就是活生生的案例。
三、泼冷水：别迷信”让 Agent 自主跑几小时”
这是全文我最想让读者记住的一段。吴恩达的原话是：“最高效的 Coding Agent 用法，是一个复杂、高频迭代的过程。”
现在很多人展示 Agent 连续自主运行几个小时、消耗几百万甚至几千万 Token，好像跑得越久越先进。但如果一开始的目标、假设或架构就是错的，让 Agent 一直跑下去，只会更高效地执行错误方向。真正有效的循环是：Agent 干活 → 人审查 → 调整 → Agent 继续 → 验证 → 迭代。关键能力不是”完全不管 Agent”，而是知道什么时候不该干预、什么时候必须干预。
四、落地清单：从今天就能练起的五步
说再多不如直接上手。结合这篇文章，给你一份从今天就能开始练的清单：
- 动手前先写 Spec 再开工：目标、验收标准、约束条件写清楚。参考我之前整理的 AI 编程上线检查清单，把”怎么算完成”提前定义好。
- 给项目建一份 CLAUDE.md / AGENTS.md：把架构、约定、常用命令固化进去，让每个 Agent 开工都有完整上下文。
- 先写测试，再让 Agent 改：验证闭环前置，Agent 每次改动都有测试兜底，你才有底气给它更大自主权。
- 高风险操作留人确认：涉及删文件、改数据、动权限的指令，宁可多一次确认。
- 记录 Agent 的失败模式：每次它”闯祸”都记一笔，攒成你自己的检查单——过度设计、提前完工、上下文丢失，见多了你就能在它跑偏前介入。
这五步看着简单，但每一项对应的都是吴恩达说的”能力”，而不是”会某个工具”。工具每几周就大更新一次（Claude Code、Codex、Cursor 都在这个节奏上），AI 实践 这个行当真正值钱的是那些不随工具迭代贬值的手艺。
老达点评：瓶颈早就不在模型，在人
我的判断是，吴恩达这篇的价值不在介绍了什么新工具，而在于把”用好 Agent”从玄学变成了可练习的技能清单。这跟我之前在写 Anthropic 官方《AI 原生开发手册》 时的判断完全一致：当模型能力普遍够用之后，项目成败的瓶颈已经转移到”人怎么组织 Agent 干活”。
两点补充意见：
第一，”人机比”比”自主时长”更值得晒。与其秀”连跑 3 小时”，不如记录”我这轮 review 拦下了几个错误方向”——那才是工程能力。第二，别把 Spec、CLAUDE.md 这些当成负担。它们本质是把你想清楚的东西写下来，AI 只是逼着你更早、更系统地想清楚。等你想清楚了，AI 编程工具专题 里那些工具差异，反而成了最不重要的部分。
