作者Peter Steinberger分享了他利用智能代理工程高效开发的经验。他目前独自开发一个包含30万行TypeScript代码的多平台项目，通过优化工作流程，智能代理已能完成他几乎所有的代码编写。他强调与其纠结复杂方案，不如直接与AI对话解决问题，并推荐参考他之前关于最优AI工作流的文章。

标题：直接对话——高效智能体工程实践 | Peter Steinberger

作者近期专注于一个大型项目开发，通过实践总结出一套高效的智能体工程工作流。以下为文章核心内容：

技术栈与工作环境

• 项目规模：30万行TypeScript代码的React应用，包含Chrome扩展、CLI工具、Tauri客户端和Expo移动应用
• 部署：Vercel平台实现网站2分钟快速部署，其他应用暂未自动化

核心工作流

1. 并行处理：使用3-8个并行终端运行codex CLI工具，采用原子提交保持代码库整洁
2. 模型选择：主要使用GPT-5 Codex中档配置，平衡智能与速度
3. 变更管理：采用"爆炸半径"概念评估修改影响范围，及时干预耗时任务

工具对比

• Codex优势：
  • 23万token上下文容量（Claude仅15.6万）
  • 更高效token使用和消息队列功能
  • Rust重写带来显著速度提升
  • 交互体验更接近工程师思维模式
• 其他工具：
  • 认为多数工具（如amp、Factory）只是现有模型的包装层
  • 开源工具opencode和crush更有潜力

实践技巧

1. 提示工程：Codex下提示更简洁，50%提示附带截图辅助定位
2. 代码维护：20%时间用于重构（重复代码检测、死代码清理等）
3. 测试策略：要求AI在功能完成后立即编写测试
4. 特殊命令：仅保留/commit、/automerge等少数实用命令

经验总结

• 避免过度设计：无需复杂RAG或子智能体架构
• 培养工程直觉：管理AI智能体与管理工程师团队类似
• 保持批判思维：AI工具仍会出错，需保持监督

作者强调，优秀软件工程的核心仍是系统设计和用户体验，AI只是提升效率的工具。文章最后特别说明全文为人工撰写，保留了作者原始风格。

（注：原文包含大量技术细节和工具对比，本文在保留核心观点的基础上进行了适当精简，去除了部分社交媒体引用和次要工具讨论。）

以下是评论内容的总结，平衡呈现不同观点并保留关键引用：

1. 对AI编程效率的质疑

• 认为多AI协作可能比传统编程更耗精力： "this multi-AI approach would be significantly more tiring"（squirrel）
• 质疑代码质量与数量： "300k LOC also isn’t impressive if it should have been 10k"（sarchertech） "he admits to code being slop...agents also refactor it?"（hansmayer）

2. 工具功能比较（Claude Code vs Codex）

• 肯定Claude的Hooks功能： "Hooks let you codify guardrails...a killer feature"（philipp-gayret）
• 对Codex的怀疑： "I am dubious Whether it's actually superior or it's 'organic marketing'"（N_Lens）
• 实际体验对比： "A simple task...9m+ and still 'inspecting specific directory'"（pqdbr）

3. 适用场景讨论

• 简单任务效果好： "AI does a great job, it's all pretty shallow"（barrkel）
• 复杂任务不可靠： "Making changes requires a lot of thought...can't trust it"（barrkel）
• 个人使用差异： "I'm not even close to claiming that AI writes 50% of my code"（srameshc）

4. 对高生产力案例的怀疑

• 质疑项目真实性： "checkout their dozens of unconnected, half finished repos"（sarchertech）
• 成本效益问题： "costs you 1000 dollars a month for this experience?"（codyb）
• 希望看到实际演示： "I'd love to be able to watch people work"（bigblind）

5. 技术细节质疑

• 数据库管理问题： "how they handle schema changes?...a disaster looming"（cruffle_duffle）
• 内存消耗问题： "process blows up to gigabytes of memory"（aredox）
• 代码审查可行性： "You can generate more code than you can read"（esafak）

6. 中立/积极评价

• 承认工具价值： "The tools certainly are useful...OP is happy"（mherrmann）
• 英语错误引发的思考： "it says something about fundamentals"（aredox）

关键争议点集中在：AI生成代码的质量/数量比、不同工具的实效对比、复杂场景的适用性，以及高调案例的真实性。支持者肯定效率提升，怀疑者则关注隐藏成本和技术局限性。