AI 编程
把重构交给 Agent 跑六天，代码确实是 Agent 写的；但人的时间并没有消失——它变成了两周设计、88 个必须回答的问题和 185 次"先例裁决"，周一还有 63 个决策挤在同一小时里做完。本文完整编译 GoodBarber CTO 的自主循环复盘：569 个工作单元、五道互相印证的检查、从 1 到 20 的爬坡条件、单集成者的瓶颈曲线，以及五个真实翻车点（测试台说谎、Agent 绕过阻力、没人检查的规则被破坏）。
AI 编程
给 coding agent 派活时，最难的从来不是派出去，而是"派什么过去"。子代理拿到任务却没有背景，得重新发现 Node 版本、被 pin 的依赖和你说过的约束；而留在主上下文里的构建日志，又让窗口被 43K 的报错挤满。本文编译 Arthur 的 fork/fold 设计：已完成的工作折成一条 ~160 token 的 note，归档可回查；需要委派时让子代理继承父代理的当前视图。附三张成本账、缓存断点位置，以及作者自己承认"还没验证"的部分。
AI 编程
买席位省事，但代码、模型和预算都不在自己手里。OpenHands 的自托管把模型生成的每一步关进 Docker 沙箱，代价是 Docker socket、动态端口、镜像固定与清理都得自己扛；Munder Difflin 走另一条路——复用已付费的 CLI 与小时额度，用 git 文件当消息总线，用审批队列和熔断器控制自治。两条路线的架构、成本与决策清单，外加自己实现时的五个最小层。
AI 编程
一个开发者同时养 3–5 个 coding agent，难点从来不是模型，而是隔离、状态和协调。本文编译一套终端原生并行栈（worktree 隔离 + 状态感知的 tmux + 远程/手机审批），并给出三个硬数据：任务形状决定多 Agent 成败、编排可以把错误放大从 17.2 倍降到 4.4 倍、以及为什么"状态要比 Agent 活得久"。
AI Agent
"多 Agent 更强"这句话，在这项 50 个全栈应用的基准上只对一种组合成立。Vals AI 把 8 种设置各跑 50 个应用：团队成本 1.8–5.1 倍，唯一统计显著的涨分是 Sol 中等强度团队的 +7.3 分；Opus 得分最高的组合 $122/应用，领先不显著。两个 lead 的编排风格也完全不同。