第一章：新范式的本质——从写代码到指挥 Agent

← 序言 | 目录 | 下一章 → 第二章

1.1 两种编程模型的对比

要理解这场转变，先要把两种模型并排放在一起看：

传统编程模型：人类意图 → 人类理解 → 人类编码 → 代码 → 计算机执行

Agent 辅助编程模型：人类意图 → 自然语言描述 → AI Agent → 代码草稿 → 人类审查与修正 → 计算机执行

两个模型之间只多了三个步骤，但这三个步骤彻底改变了工作流的性质。

在传统模型中，从意图到代码的转化完全在人类大脑里完成。这个过程的速度受限于打字速度、对语法的熟悉程度、查文档的时间。更重要的是，每一行代码都经过了人类的有意识构建——你知道你写了什么，你在写的时候就在测试它的逻辑。

在 Agent 辅助模型中，AI 承担了大部分的"翻译工作"——把人类的意图翻译成代码。这带来了显著的速度提升，但也引入了一个新的风险层：AI 翻译出来的代码，你未必完全读懂了。

这是一把双刃剑。速度上去了，但理解深度可能下降了。如何在这两者之间找到平衡，是 Agent-First 工程师的核心挑战。

在传统开发中，生产力的瓶颈是执行速度：想清楚了，但把想法转化为代码需要时间。你的价值体现在"能快速、正确地写代码"。

在 Agent 辅助开发中，瓶颈转移到了意图的清晰度和上下文的质量。AI 的生成速度是人类的 10-100 倍，但它生成的东西是否符合你的需求，完全取决于你给它的输入质量。

这意味着：

"Agent"这个词在 2024-2025 年被滥用到几乎失去意义。Anthropic 在其研究报告《Building Effective Agents》中给出了一个有价值的区分：

用厨房比喻：Workflow 是食谱——步骤固定，AI 只是按步骤操作；Agent 是厨师——根据食材情况和目标，自主决定怎么做。

在 GitHub Copilot 的实际使用中：

用 /new-endpoint 触发 Prompt 模板，按固定顺序生成 Model/Schema/Service/Route/Test——这是 Workflow
“帮我分析这个接口为什么慢，找到瓶颈，提出并实现优化方案”——AI 自主决定读哪些文件、选择什么方案——这是 Agent

实用建议：对于重复性任务，把它设计成 Workflow（用 Prompt 模板标准化）。对于探索性、复杂性任务，用 Agent 模式。用 Agent 模式做应该用 Workflow 模式的事，是最常见的浪费。

当前 AI 辅助开发工具的能力可以分为四层：

层次	能力	代表功能
L1 补全	根据上下文补全代码片段	Copilot 内联建议（Tab 键）
L2 生成	根据描述生成完整函数/类	Copilot Chat、/generate
L3 重构	理解现有代码，做跨文件修改	Copilot Agent 模式、Cursor Composer
L4 任务	理解需求，规划并执行多步骤任务，验证结果	Claude Code（2025 年成熟）

2025 年的主流使用主要在 L2-L3。大多数开发者停留在 L1-L2，而真正的生产力提升来自 L3-L4。理解每个层次能做什么、不能做什么，是选择合适工具和方式的前提。

提升到 L3 的关键前提：有可靠的测试覆盖。AI 跨文件修改代码时，测试是唯一能快速验证整体是否正确的机制。没有测试，L3 就变成了"大范围修改未知后果"。