8.5 KiB
title, tags, source, confidence_score, last_updated
| title | tags | source | confidence_score | last_updated | ||||
|---|---|---|---|---|---|---|---|---|
| Mitchellh AI 采用之旅 |
|
|
高 | 2026-04-07 |
Mitchellh AI 采用之旅
本文总结了 HashiCorp 创始人 Mitchell Hashimoto 的个人 AI 工具采用历程。他分享了从怀疑论者到深度用户的六个阶段，为其他开发者提供了实用的参考路径。
核心观点
"我采用任何有意义的工具的经验是，我必然经历三个阶段：(1) 低效率时期 (2) 胜任时期，最后 (3) 工作流和生活改变发现时期。"
六个阶段
阶段 1：放弃聊天机器人
立即停止尝试通过聊天机器人执行有意义的工作（例如 ChatGPT、网页版 Gemini 等）。
聊天机器人确实有价值，而且是 Mitchell AI 工作流的日常组成部分，但它们在编码中的效用非常有限，因为你大多希望它们根据先前训练得出正确结果，而纠正它们涉及人类（你）反复告诉它们错了。这是低效的。
关键点：
- 每个人的第一次 AI 体验都是聊天界面
- 每个人第一次尝试用 AI 编码都是要求聊天界面写代码
- 要找到价值，你必须使用智能体（Agent）
什么是智能体？ 智能体是行业采用的术语，指能够聊天并循环调用外部行为的 LLM。至少，智能体必须具备以下能力：
- 读取文件
- 执行程序
- 发起 HTTP 请求
阶段 2：重现你自己的工作
Mitchell 最初尝试 Claude Code 时并没有留下深刻印象。他只是没有从会话中得到好的结果。他觉得必须润色它生成的所有内容，这个过程比他自己做要花更多时间。
解决方案：
"我没有放弃，而是强迫自己用智能体重现所有手动提交。我真的做了两次工作。我会手动完成工作，然后与智能体斗争以产生相同的质量和功能结果（当然，不让它看到我的手动解决方案）。"
这是痛苦的，因为它妨碍了简单地完成事情。但 Mitchell 从第一性原理中自己发现了别人已经在说的东西，但自己发现它产生了更强的基本理解：
- 将会话分解为单独清晰、可操作的任务。不要试图在一个大型会话中"画猫头鹰"。
- 对于模糊的请求，将工作分成单独的规划与会话。
- 如果你给智能体验证其工作的方法，它往往会修复自己的错误并防止回归。
更一般地说，他还发现了智能体当时擅长什么、不擅长什么的边界，以及对于它们擅长的任务如何实现想要的结果。
所有这些都导致了显著的效率提升，以至于他开始自然地使用智能体，感觉不比自己做慢（但他仍然不觉得更快，因为他主要在照看智能体）。
阶段 3：日终智能体
为了尝试找到一些效率，Mitchell 开始了一个新模式：每天划出最后 30 分钟来启动一个或多个智能体。
他的假设是，如果智能体能在他无论如何都不能工作的时间里取得一些积极进展，也许他可以获得一些效率。基本上：与其试图在他拥有的时间里做更多，不如尝试在他没有的时间里做更多。
发现的有价值的工作类别：
-
深度研究会话：要求智能体调查某个领域，例如查找特定许可证类型的特定语言的所有库，并为每个库生成关于其优缺点、开发活动、社会情绪等的多页摘要。
-
并行智能体尝试他没有时间开始的不同模糊想法：不期望它们产生他会交付的东西，但也许可以在第二天他处理任务时阐明一些未知的未知。
-
问题和 PR 分类/审查：智能体擅长使用
gh（GitHub CLI），因此手动编写了一个快速方法来并行启动一堆来分类问题。不会允许智能体回复，只想要第二天的报告来尝试引导他走向高价值或低工作量的任务。
结果： 他开始感觉自己比 AI 之前做的更多，哪怕只是一点点。
阶段 4：外包稳操胜券的任务
到了这个阶段，Mitchell 对他的 AI 擅长和不擅长什么任务非常有信心。他对某些任务 AI 会实现基本正确的解决方案有非常高的信心。
所以旅程的下一步是：让智能体做所有这些工作，而他做其他任务。
更具体地说：
- 每天从查看前一晚分类智能体的结果开始
- 手动过滤以找到智能体几乎肯定会很好解决的问题
- 让它们在后台继续（一次一个，不是并行）
同时，他做其他事情。 不是去社交媒体（比平时不用 AI 更多），不是看视频等。他处于自己的、正常的、AI 之前的深度思考模式，处理他想做或必须做的事情。
非常重要：关闭智能体桌面通知。 上下文切换非常昂贵。为了保持效率，他发现作为人类控制何时中断智能体是他的工作，而不是相反。不要让智能体通知你。在工作的自然休息时间，切换标签检查它，然后继续。
结果： 他坚定地处于"我无法回去"的境地。他觉得更有效率，但即使不是，他最喜欢的是他现在可以将编码和思考集中在他真正喜欢的任务上，同时仍然充分完成他不喜欢的任务。
阶段 5：设计 Harness
冒着陈述显而易见的风险：智能体在第一次产生正确结果时效率要高得多，或者最坏情况下产生需要最少润色的结果。实现这一点的最可靠方法是给智能体快速、高质量的工具来自动告诉它什么时候错了。
Mitchell 不知道是否有一个广泛的行业接受的术语，但他已经逐渐称之为"Harness 工程"。这是这样一种想法：任何时候你发现智能体犯了错误，你都花时间设计一个解决方案，使智能体永远不会再犯那个错误。
这有两种形式：
-
更好的隐式提示（AGENTS.md）：对于简单的事情，比如智能体反复运行错误的命令或找到错误的 API，更新
AGENTS.md（或等效文件）。每一行都是基于坏的智能体行为，并且几乎完全解决了所有问题。 -
实际的编程工具：例如，截图脚本、运行过滤测试等。这通常与 AGENTS.md 更改配对，让它知道这存在。
这就是 Mitchell 今天所处的位置。 他正在真诚地努力，每当看到智能体做坏事时，防止它再做那件坏事。或者，相反，他正在真诚地努力让智能体验证它们在做好事。
阶段 6：始终运行一个智能体
与阶段 5 同时，Mitchell 也在始终运行一个智能体的目标下运作。如果智能体没有运行，他会问自己："现在有什么智能体可以为我做的吗？"
他特别喜欢将其与较慢、更深思熟虑的模型结合使用，比如 Amp 的 deep mode（基本上只是 GPT-5.2-Codex），这可能需要 30 多分钟来做小的更改。另一面是它确实倾向于产生非常好的结果。
重要说明：
- 他还没有运行多个智能体，目前也真的不想。
- 他觉得现在有一个智能体运行是一个很好的平衡，既能做他觉得愉快的深度手动工作，又能照看他有点愚蠢但又神秘高效的机器人朋友。
"始终运行一个智能体"的目标仍然只是一个目标。他会说现在他在正常工作日的 10 到 20% 时间里有效地运行后台智能体。但他正在积极努力改善这一点。
"我不想为了运行智能体而运行智能体。我只希望在有任务我认为对我真正有帮助时运行它们。这个目标的一部分挑战是改善我自己的工作流和工具，以便我能有源源不断的高质量工作可以委托。即使没有 AI，这也很重要！"
今天
这就是 Mitchell 今天所处的位置。
通过这段旅程，他个人已经达到了一个点，他在现代 AI 工具上取得了成功，并且相信他正在以基于现实的适当衡量观点来处理它。他真的不在乎 AI 是否会留下来，他是一个软件工匠，只是为了热爱而构建东西。
整个格局变化如此之快，他相信他会很快回头看这篇帖子，嘲笑自己的天真。但正如他们所说，如果你不能为过去的自己感到尴尬，你可能就没有成长。他只希望他会朝着正确的方向成长！
相关概念
参考来源
- Mitchell Hashimoto - My AI Adoption Journey
最后更新：2026-04-07
本文档由 WikiLLM 编译