本文阅读时间：约 15 分钟
（注：下文中的“我”系作者本人）
引言
当 AI 输出的价值稳定超过 Token 成本后，瓶颈已从模型能力转移至人的精力。
这一认知彻底改变了我过去半年的工作方式。OpenClaw 作者 Peter 曾一天提交 627 次代码，平均间隔不到 2.3 分钟。这并非高效，而是让人被绑在 AI 旁陪跑，透支判断力。我在 5 月完成了 496 次提交，但这仅说明吞吐量变化，而非效能提升。真正的指标应是：识别了多少问题、拦截了多少候选改动、有多少经验证后稳妥合入主干。
工作方式的进化核心在于：如何用更少的人力在线时间，让更多的 Token 持续流动？答案并非更好的 IDE 插件或更聪明的模型，而是一整套云端持续进化的 Harness 基础设施。
关于 AI Coding，每两个月我都有新认知，却总被更深的瓶颈卡住。以下是我到达这一结论的探索路径。
初期使用 Cursor 等 AI IDE，效率虽提升三至五成，但本质未变：人仍是执行主体，人不操作，AI 即停止。从 Token 角度看，产出仅是“节省打字时间”，人停则 Token 停。
茹炳晟曾指出，软件工程过去五十年一直在“管理人的不确定性”，方法论旨在管理人而非替代人。Copilot 和 Cursor 未跳出此范式，仅是给工匠换了把更好的锤子。Vibe Coding 虽能用自然语言生成代码，但 80% 时间仍消耗在非核心基建搭建上，难以驱动复杂应用运行。
真正的体感变化发生在 Opus 4.5 之后。CLI Agent 的出现标志着从“辅助驾驶”到“自主执行体”的跨越。我曾花 30 秒描述需求，Agent 用 5 分钟完成了预估需半天的改动，且代码规范、测试通过。
数据显示：分析 2400 行 TypeScript 模块耗时 10 分钟，产出近千行报告；Bug 修复从描述到提交仅需 60 秒；设计文档 Review 发现多个关键问题仅需 5 分钟。大模型首次让“用算力换取高阶智能”成为可能，劈开了软件工程五十年“高阶认知无法固化”的死结。
但天花板随之出现：单终端串行执行导致人手闲置却被注意力绑定，无法并行处理多任务。
并发的陷阱：Token 在加速，人在崩溃
试图通过多终端并发解决效率问题，结果却适得其反。四个 Agent 并行虽将一小时工作量压缩至 15 分钟，但频繁的上下文切换和 Prompt 构思消耗了大量精力。并发并未消灭工作，只是将“等待时间”换成了“调度时间”。
Thoughtworks 的 Birgitta Böckeler 指出，Context Engineering 是双向放大器，坏的结构问题也会被放大。手动管理上下文导致 Agent 接收的信息质量不稳定，人反而成了瓶颈。核心问题应从“如何让自己更快”转变为“如何让 Token 消耗更多，同时减少对人的注意力消耗”。
委派：把人压缩到决策位
随着 QoderWork 成熟，我的角色从执行者、调度器转变为纯粹的决策者，只做三件事：提需求、审方案、验结果。
架构采用三层委派：自然语言需求经 QoderWork 精炼为结构化 Prompt，Task Agent 在独立上下文运行，QoderCLI 在独立 worktree 翻译代码。信息逐层精炼，控制权逐层下放。
-
例如输入“实现 Vaults API"，系统自动拆解为规格锚点、加密方案、验收标准等结构化指令，下层 Agent 据此生成具体代码。 -
又如分析"agent loop 能否抽成无状态 SDK"，Agent 自主完成写 Prompt、启动 workspace、轮询状态、汇报结论全流程。我仅花 30 秒阅读结论并决策，后续直接接收可合并的代码 CR。
稳定运行靠什么
三层委派的核心在于 Context Engineering 的落地。通过 AGENTS.md 定义职责边界，MEMORY.md 记录项目上下文，USER.md 记录偏好，构成 Agent 的长期记忆。分层管理全局不变规则、会话级目标和按需加载信息，避免每次对话重复交代背景。
Agent 读取上下文无损且零沟通成本，克服了“人月神话”中的协作开销。Qoder 从 IDE 到 Quest 模型，再到专家团模式和 Desktop 升级，其产品演进路径正是对这一实践的产品化沉淀。
睡后 Token：瓶颈的真正转移
三层委派解决了在线时的高效 Token 消耗，但更根本的问题是：Token 为何要等人在线？若产出价值高于成本，凌晨运行与白天无异，甚至成本更低。“睡后 Token"的核心是将输入、边界、验证提前设计，让人离线时 Token 持续产出候选结果，次日由人做价值判断。
634 进，12 出
在 QoderWork 的 issue 自动处理场景中，上周数据漏斗显示：输入 634 个 issue，筛出 190 个有效缺陷，自动生成 25 个 CR，最终人工 review 合入 12 个。漏斗的价值不在于生成数量，而在于拦截了 622 个无效改动。Agent 生成的 CR 先视为负债，通过严格验收口方可转为资产。
Böckeler 提出风险评估三维度：概率、影响、可检测性。其中“可检测性”是关键，必须将风险检测设计进工作流而非事后补救。夜间批量任务如文档 Review、API 一致性检查等，均可安排在非工作时间执行，杠杆率从 1:N 提升至接近 1:24。
但 Harness 会咬人
“睡后 Token"的可靠运行依赖完善的 Harness。自动化脚本如同宠物，需照料终端、容器、上下文和凭证。任何进程挂掉都会中断工作流。Agent 开发 70% 的成本不在模型推理，而在 Harness：Token 编排引擎、安全沙箱、可观测性、状态持久化及错误恢复。
未来技术栈选型可能不再纠结于框架，而是看“有没有现成的 Harness"。个人脚手架因模型快速进化而易过期，无法规模化传承。每个工程师自建 Harness 虽快，但组织层面难以生效。
Cloud Agents：从个人脚本到平台
平台托管的核心是长期任务的可恢复性，需满足三点：
-
Session 不怕断：状态落在事件流中，任务可随时暂停恢复。 -
Sandbox 不怕换：执行环境可替换，支持 Self Hosted 自托管以符合合规需求。 -
Harness 不怕重启：无状态大脑可通过 wake(sessionId) 接管，不依赖本地环境。
Qoder Cloud Agents 将手搓的调度、恢复逻辑转化为平台基础设施，构建过程本身也是 Harness 的深度验证。
手脑分离
Cloud Agents 架构核心是“手脑分离”：Brain 负责推理决策，Hands 负责执行操作，两者独立升级。
-
升级复利：Brain 升级用户零迁移成本，API 稳定，智能自动进化。 -
故障隔离：Brain 与 Hands 通过事件流通信，单侧重启不丢任务，保障长程任务稳定性。 -
资源效率：计算密集型 Brain 与 IO 密集型 Hands 独立伸缩，支撑万级并发推理。
Harness 的价值在于用确定性工程系统约束非确定性模型产出，让 Agent 从 Demo 走向生产环境。
极简接入：你的代码里没有 AI
Cloud Agents 接入仅需五步：获取令牌、创建环境、定义 Agent、建立 Session、收发消息。开发者只需编写编排逻辑，Agent 的“智能”封装在 API 中。后端服务仅作管道，无需处理意图识别或对话管理。
内部验证显示，一天内即可跑通 6 Agent 协同系统。开发者专注于业务逻辑，无需操心 Agent Loop 或沙箱生命周期。当平台吸收 Harness 复杂度后，开发 AI 应用与写普通 Web 应用无异，区别仅在于拥有一个能推理决策的超级后端。
Skill as a Service
Cloud Agents 将本地 Skill 转化为云端 Service。资深 SRE 的故障诊断、安全专家的漏洞扫描、架构师的 API Review 等最佳实践，可发布为 API 供全员调用。个人经验转化为组织级复用能力，体现 B2B2C 逻辑，让用户直接享受深度打磨的 Agent 红利。
Qoder 和 QoderWork 内置 Cloud Agents Skills，用户可在编辑器内快速创建 Agent 并编排任务，将“如何用好 Cloud Agents"本身也封装成了 Skill。
自评估循环
Agent 具备自动验证输出质量的能力。完成任务后自评估结果是否符合预期、有无遗漏、测试是否通过。若不达标则自主重试，直至成功或明确报告能力边界。风险检测内置于运行循环，无需依赖人工事后检查。
已经在跑了
Cloud Agents 已上线并投入真实业务使用，涵盖客服自动化、代码审计、文档生成等场景。未来演进方向包括：多 Agent 并行协作、Dream & Memory 跨 Session 记忆、Self-Hosted 自托管沙箱以及 Browser/Computer Use 能力扩展。
平台以天为单位迭代，Harness 持续进化而用户无需修改代码，这正是基础设施与个人脚本的根本区别。
更往前一步的思考
回到最初，我的工作方式已从盯屏幕转变为定义问题、压缩上下文、设置验收口。以前写代码像手工打铁，靠经验和专注；现在更像抽卡，单次 Token 成本低，价值来自严格的筛选机制。
AI 压低了技能门槛，人的价值位置前移：从写实现转为定义问题。所谓“有品味”，即知道什么值得自动化、什么必须拦截。Cloud Agents 让这种新分工不再是个人实验，平台吸收复杂度后，开发者只需关注唯一重要的事：定义值得解决的问题。睡后 Token 改变的不是作息，而是工程分工：人负责价值、边界和验收，平台负责稳定运行长任务。