
博主:仅用AI写代码如同骑更快的马,大厂优势在智能体编排
来源标题:You're riding a faster horse
科技博主Mike Nakhimovich指出,大厂与普通公司的差距不在工程师数量,而在于支撑团队构建和交付的基础设施与工具。他认为竞争焦点已不是写代码,而是编排智能体;只用AI而不建完整智能体系统,就像骑一匹更快的马。
以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。
Mike Nakhimovich · 2026年11月15日 · 18分钟阅读 是什么让大型科技公司与众不同?我给你个提示——不是因为他们有成千上万名能在白板上完美推演 n vs np 的工程师。 区别在于,顶尖科技公司拥有完善的基础设施和工具,让团队更容易构建和交付产品。十年前是这样,五年前是这样,在 AI 普及的今天更是如此。 我已经能听到你的反驳了:嘿,才不是这样!我们现在都不用手写代码了!大家用的是同样的模型,所以我们写出来的代码一样好。那大厂凭什么还有优势?竞争环境不是已经拉平了吗?反正大家都是写 prompt!我的工程师写 prompt 的能力跟他们的一样强,这还用说! 我很不想当那个告诉你真相的人,但现在的游戏已经不再是写代码了——而是编排 agent。如果你在用 AI,却没有一套完整的 agent 体系,那你不过是在骑一匹更快的马。你用 AI 的方式和大厂的工作方式,根本不是一回事。 可我不需要跟大厂竞争啊!AI 让我变快了,这就够了! 好极了!很高兴听你这么说。如果你的商业模式并不真的依赖于拥有超越竞争对手的技术,那你现在就可以关掉这篇文章了——但请记住,大厂可没停下来。拜拜! 我写这篇文章,是给那些真正在意自己软件产品的人——他们的产品是业务的核心,他们必须能跟上竞争对手。因为现在所有行业都会快速前进!看起来每个人都在努力跟上,把 AI 撒在现有的软件流程上,指望它能解决所有问题。但在很多情况下,你得到的是缺失的功能、bug,以及信息的匮乏。 在构建 AI(真正为人类构建 AI 系统)的过程中,我意识到:我们赋予 AI 的能力越多,它能达成的就越多。听起来很简单,但它所达成的成果常常远超我自己能做到的。一个例子是 tool call 如何在 AI agent 中传播开来。我们从 read 工具走到 write 工具,再走到 research 工具,如今我可以把大范围的问题直接交给 AI。 以前我们只能在浏览器里跟 ChatGPT 对话。它接触不到我们的代码,只是给我们答案。而在当时,它也已经非常有用!随着时间推移,我们开始把它连接到能访问代码的工具上,哪怕只是只读访问。这让模型可以运行 grep、分析日志,并按需拉取信息。 接着我们给了模型 write 工具。它们可以修改磁盘、调用 bash、写脚本。这让模型可以作为编排者或大脑来行动,哪怕那时还是个初级大脑(Sonnet 3.5 时代)。 再往后是数据访问,先是 RAG(想象成往初始 prompt 里注入 1 次搜索结果),然后是 web 工具、数据仓库工具,以及对各类分析系统的只读访问。模型现在既能写代码,也能验证代码是否正确运行。 除了工具,我们还让模型能更多地调用自身:生成自己的 sub agent、优化对话、把 MCP 调用改写成脚本。总的来说,这一变化让 agent 能编排整个流程,而不只是给出一个答案。 大多数 AI 用户目前就处在这个阶段。他们使用 MCP、skill 和工具,让 AI 访问自己的 git 仓库,无论是本地还是远程。他们把技能和实践喂给 agent,然后打开 CLI,让它开始写代码。agent 在他们的笔记本电脑上运转,也许生成几个 subagent,如果配置得好,甚至还会创建几个 worktree 来帮助自己研究和实现。因为模型在这个阶段已经强得惊人,通常你可以走开,几小时甚至几天后回来,得到一个“完成”的产品。他们可以在笔记本上测试,然后为某个功能做完了而高兴。随着时间推移,优化这套本地配置会逐步改善结果。这匹马会慢慢变快,但它终究只是一匹马。他们需要的是一台引擎。 现在我们换到我的工作方式。昨晚我躺在床上,看到竞品发推说他们有个很酷的功能,我想看看怎么把它加到 Hive 里。我经常做这种事:看到一个想法,就试着让 AI 去实现它。我不再把它想成是在和 1 个 agent 协作或结对。我把它想成是把工作委派给一个弹性的团队,里面有工程师、设计师、调度者和验证者。 如果这是去年,我会走下楼,打开笔记本,进入 Claude Code CLI,把那个 prompt 输进去,然后花几个小时盯着它,最后告诉它我早上再继续。我觉得 99% 的人现在还是这么工作的。Claude 会在本地启动会话,运气好的话也许创建一个 worktree,然后就开始干活。它会生成几个 subagent 去做研究。其中一个甚至可能克隆某个开源竞品或者上网搜一搜,然后它会试着一次性完成工作。我敢打赌有 20% 的概率能得到可用的代码,而接下来一天我会花在编译、测试和清理这堆 vibe coding 出来的烂摊子上。我大概还得对权限提示点 50 到 500 次“是”,因为这东西跑在我的笔记本上,而我所有东西都存在那儿 😅 那我们改为看看我今天实际上是怎么工作的。说明一下,我用的是 https://hive.codes,但我也见过有人在不用它的情况下这么做。重要的不是选了哪个工具,而是工作流和能力。 首先我进入我的主 Hive。它有点像调度器,已经知道我常工作的仓库,以及我过去启动工作时发送的那 50 到 100 条会话 prompt。 我不会自己挑一个模型然后把 prompt 发过去。Hive 做的第一件事,是用 Opus 5.5(可配置)来精心构造真正发送给会话的 prompt。 这就是你毫无胜算的第一个原因:你在给 AI 写 prompt,而不是让 AI 为你构建循环。 Opus 发给我的 worker 的完整 prompt 如下。 下面我们来拆解,我们是怎么从深夜那句 prompt 走到上面这份 spec 的。
(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)
正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。