编者摘要：
以智能自主度、编排调度度双轴划分 AI 智能体六级自主层级，L0-L2 为人主导辅助模式，智能体仅提供建议、修改需人工审批、承接边界明确任务；L3 目标驱动自主，依靠可量化指标闭环作业；L4 多智能体并行分片处理任务，需规避重叠工作冲突；L5 全局编排，依靠管理智能体实现例外式自动化调度，搭建智能体工厂。通过 2025-2026 年 Claude Code 用户数据证实，人类把控 70% 规划决策，智能体完成 80% 执行操作。落地需提前签订任务契约、配套观测指标，同时规避四大反模式。升级需循序渐进，校验、多智能体协同是长期核心瓶颈，工程师核心价值是匹配自主层级、搭建风险校验体系。全文强调自主层级由验证能力决定，而非任务类型，严控权限、风险与可回滚性是安全使用高自主智能体的核心。

5个主要问题问与答

1. Q：为什么放弃单轴分级，改用双轴模型？
   

   A：单轴只能衡量单个智能体信任度，无法区分「单智能体自主权限」和「多智能体协同调度」两个独立维度，双轴能同时覆盖智能自主度与编排调度两大能力。

2. Q：L3 目标驱动自主模式的硬性要求是什么？
   

   A：任务目标必须清晰、可量化、可自动化校验，禁止模糊需求；智能体需在类生产沙箱运行，设置明确可落地的终止条件。

3. Q：高可靠高自主智能体系统的三大判断标准？
   

   A：能快速发现智能体产出错误；操作可完整干净回滚；成果校验具备独立客观佐证材料，不依靠智能体摘要判断。

4. Q：使用高自主智能体前，任务契约必须包含哪些核心内容？
   

   A：目标、范围、非目标、工具权限、终止条件、佐证材料、异常升级规则、资源预算八大模块。

5. Q：使用智能体自主模式四大典型反模式是什么？
   

   A：①把高自主等级当作技术身份标签；②审批疲劳下放无边界权限；③仅看摘要省略完整校验；④多智能体并行却全程人工协调依赖。

前言

当下所有围绕智能体工程的讨论，核心逻辑早已从单纯编写提示词，转向让智能体自主执行操作。我们正站在全新技术边界：软件工厂、目标任务循环、后台常驻会话、子智能体、执行钩子、隔离沙箱、智能体间互相审批等新概念快速落地。对绝大多数研发从业者而言，这套智能体协作模式会从产品上线之初就嵌入开发流程，Claude Code、Codex 两款工具已经直观展现这场开发范式变革。

站在工程师视角，低自主模式能够有效管控风险、保障操作可回滚；而目标清晰、边界明确的标准化任务，则可启用更高自主权限，甚至部署多智能体集群，安全完成大型代码库重构。面对任意一项交由智能体执行的任务，我们始终要厘清两个核心问题：这项任务适配哪一档自主层级？需要配套何种校验机制，才能让该层级的自主操作具备充分合理性？

技术前沿已经出现一类调度管理型智能体：触发后自动唤醒，将任务拆解委派给下级助手，全程持续校验产出结果，仅把必须由人类决策的事项向上推送。采用这套架构的开发者，早已依托长期迭代的存量代码库，同时调度成百上千个智能体并行工作。不过对于自主能力的尺度，每个人的实践标准与感知仍存在巨大差异。

业内衡量 AI 依赖程度最经典的参考框架，源自 Steve Yegge 在《实用工程师》中提出的单轴自主阶梯。这套框架用单一维度数值，量化开发者对单个智能体的信任程度，原始分级如下：

旧版单轴自主阶梯（单一维度分级）

• L8 自建编排器：
  手动编写调度层代码，自主创建、分发、管理各类智能体
• L7 人工管控 10 个以上智能体：
  并行智能体数量超出单人清晰管控上限，流程极易混乱
• L6 多路智能体并发切换：
  同时运行多个智能体，在多任务数据流间来回切换，保持工作不间断
• L5 智能体优先，编辑器后置：
  核心工作在智能体对话窗口完成，编辑器仅用于查看最终生成代码
• L4 弱化代码差异，以对话引导智能体：
  不再逐行审核每一处代码变更，转而通过对话调整智能体工作方向
• L3 完全放开权限（YOLO 模式）：
  关闭操作权限限制，智能体在 IDE 内自由执行操作，对智能体信任度大幅提升
• L2 IDE 内置智能体，操作需审批：
  编辑器内置智能体，每一次文件修改前都会主动征求人类许可
• L1 无 AI 介入：

时至 2026 年初，即便行业工作模式已经从单纯任务委派进化至多智能体协同调度，这套单轴阶梯依旧是衡量智能体执行风险的有效参考。但如今多智能体并行能力带来的效率提升与工作复杂度，早已无法靠单一维度层级完整覆盖。过去所有关于自主能力的讨论，普遍混淆了两个独立问题：一是单个智能体的自主执行权限范围，二是多智能体之间的协同调度能力。

为清晰区分两大核心维度，本文引入智能自主度（Agency）、编排调度度（Orchestration） 双轴模型：

1. 智能自主度轴
• 低阶：智能体仅输出行动建议，最终操作决策权完全交由人类；
• 中阶：智能体负责限定范围内的完整任务，全程同步输出操作记录与佐证材料，人类可随时介入调整方向；
• 高阶：智能体围绕既定目标自主试错、迭代、自测、排查障碍，主动尝试多种解决方案，并完整留存全流程工作证据。
2. 编排调度度轴
• 低阶：单智能体、单任务串行执行；
• 中阶：多智能体独立运行，各自处理专属任务分支，目标互不干扰、彼此隔离；
• 高阶：搭建全局调度器，自动承接需求队列、缺陷工单、定时任务，实现持续自动化作业；仅任务异常失败时才需要人类介入，即例外管理。

当前主流工具均已落地双轴模型对应的功能：

• Claude Code：/plan 任务规划、/goal 目标驱动、/loop 循环执行、后台会话、批量处理、代码评审、安全审计、子智能体、执行钩子、检查点、智能体委派与管理、定时调度；
• Codex：本地 / 云端多线程、目标执行模式、独立工作树、自动化流程、子智能体、评审面板、GitHub 原生代码审查、沙箱隔离、自动复测。

这类复杂能力无法简单套入单一阶梯分级，因此我们整合双轴逻辑，推出一套六层递进式自主能力阶梯，完整覆盖开发全周期三大阶段。

六层自主阶梯（融合智能自主 + 编排调度双维度）

沿阶梯自下而上，开发者会同步提升智能体自主权限与多智能体调度能力，整体分为三大发展阶段：

1. 辅助管控阶段：
   人类掌握绝对主导权，智能体仅承担辅助工作，全程由人引导校准；
2. 智能体主导阶段：
   智能体承接边界清晰的限定任务 / 目标，人类仅旁观校验、适时纠偏；
3. 编排调度阶段：
   系统实现全局自动化调度，绝大多数场景无需人工干预，人类仅处理异常问题（例外管理）。

日常工程实践中，开发者不会固定停留在单一层级，同一开发任务内多次切换层级属于常态。

Level 0 辅助建议（Assist）

智能体输出可行方案甚至最优解，但最终是否采纳、执行操作的决定权完全归属人类。典型场景包括代码自动补全、编辑器实时修改建议、需求初步沟通会话。适配场景：微小改动、容错成本极高的风险操作、需求尚不明确、需要人类自主判断的场景。校验工作由开发者本地手动完成。

Level 1 监督式执行（Supervised action）

智能体可直接替用户编辑代码、运行终端指令，但所有关键操作执行前必须申请人类审批，也是绝大多数开发者当前的默认使用模式。智能体操作全程在隔离沙箱内完成，每一处文件变更都需要单独审批，每一次许可都是独立风险校验。核心痛点：审批疲劳 —— 大量无差别弹窗审批，容易让人忽略变更背后的风险。优化方案：人工逐条核对代码差异、制定标准化审批规则、多人交叉确认，或是下放低风险变更自动审批权限；Codex 通过引入独立评审智能体，将边界变更的终审权拆分出去，缓解审批压力。

Level 2 限定任务委派（Scoped task delegation）

向智能体交付边界清晰的独立任务，配套明确目标、执行约束、交付标准。开发者全程在线，可随时中断智能体工作，但无需深度参与执行过程，也是软件工程领域最常用的自主层级。校验主体逐步从人类转移至智能体产出的佐证材料：自动化测试用例、类型校验结果、代码规范检测、复现步骤、运行日志、示例快照等，即便开发者离线，也能依托材料完成复核。

Level 3 目标驱动自主执行（Goal-driven autonomy）

智能体围绕可量化目标自主循环作业，直至达成预设终止条件才停止工作。

• 提示词场景：将需求本身设定为可量化目标，例如 “将页面交互延迟优化至 1 秒以内”；
• Codex：目标模式，自主循环「规划→执行→自测→自查」流程，达标即终止；
• Claude Code：依托 /goal /loop /schedule 指令实现闭环自主执行。关键要求：终止条件必须可量化、可自动化校验。禁止交付模糊、无衡量标准的目标，例如 “优化用户体验”“提升代码可测试性”；应设定精准指标：检出静态分析遗漏的线上缺陷、缩短页面加载时长、构建无隐式 any 类型的严格 TS 工程、梳理全量依赖并仅保留通过测试的合规包等。若需定位线上问题，智能体必须在复刻生产环境的沙箱内运行。

Level 4 并行多任务委派（Parallel delegation）

调度多个智能体同步作业，每个智能体独立处理任务拆分后的隔离分片。本层级最大瓶颈在于任务拆分：如何切割出互不重叠、边界清晰的独立子任务。配套能力包含子智能体、后台会话、批量执行、独立工作树、智能体团队模式。典型风险：虚假并行 —— 多智能体处理重叠任务分片，最终引发代码合并冲突、重复决策，反而降低效率。落地前提：各智能体拥有独立文件读写权限、隔离运行状态、专属评审队列；资源消耗成本随智能体数量线性上涨，同时多智能体带来的人工协调成本，会在智能体数量增多后快速抬升边际成本。

Level 5 例外驱动全局编排（Managed-by-exception orchestration）

预先定义统一成功标准与全局执行规范，调度管理智能体根据触发条件（新增工单、定时任务、缺陷上报）自动唤醒，完成全流程闭环：下发任务给执行智能体、实时监控进度、校验产出、失败自动重试、高风险事项升级至高阶智能体或人类、汇总全流程证据、最终输出可交付产物（如 PR）同步至外部系统。整套架构如同自动化代码工厂：输入为缺陷工单、需求待办，输出为修复完成的可用代码；所有智能体在高度隔离环境运行，预设异常兜底方案，全局运行规则由管理智能体统一管控。系统运行规范由人类定义，OpenAI 提出一套中心化调度架构标准：每条需求分配独立智能体工作区，智能体持续跟进工作区规范文件定义的目标进度。人类可依托完整证据材料开展复核；该层级的技术制高点，是搭建可同时调度数百乃至数千智能体的长期运行自动化工厂。本层级对独立校验体系要求极高：执行智能体与评审智能体分离、测试执行与质量校验分离、独立安全检测、多层交付准入闸门。整体自主权限上限，由任务风险高低、操作是否可回滚两大因素决定。

数据实证：Claude Code 用户行为分析

2025 年 10 月 —2026 年 4 月，平台统计约 23.5 万名用户、40 万次完整会话数据，记录人类与智能体的分工决策：

1. 约 70% 的整体规划决策由人类完成，80% 的落地执行操作由智能体完成；
2. 高自主模式并非让人类脱离决策环节，而是将人类从逐行操作，转向把控整体方向与路径选择；
3. 高难度任务中，智能体主动澄清疑问的频次，是用户主动打断智能体的 2 倍以上；
4. 高频深度使用者（750 次以上会话）更倾向开启低风险变更自动审批，同时按需中断智能体，处理更大规模复杂工程。

高自主 AI 系统判定三问

想要判断一套 AI 智能体系统是否真正实现高自主，只需依次回答三个核心问题：

1. 我们多久能发现智能体产出存在错误？
2. 智能体执行的操作能否干净、完整地回滚撤销？
3. 校验智能体工作成果，是否有独立、客观的佐证材料？

若答案为：纠错滞后、回滚困难、仅依靠智能体自行总结摘要，则该系统不具备可靠高自主能力。

智能体任务前置契约规范

每一次启动智能体执行前，必须拟定完整任务契约，明确以下核心条款：

1. 目标：
   最终要达成的业务结果（而非执行动作、技术手段）；
2. 范围：
   操作目录、允许调用的工具、可用技术栈边界；
3. 非目标：
   明确禁止执行的工作内容；
4. 工具与权限：
   智能体可调用的工具、文件读写、命令执行权限；
5. 终止条件：
   可量化的停止标准；
6. 佐证材料：
   独立于智能体、可客观核验的产出物（测试报告、日志、数据库快照、复现流程等）；
7. 升级规则：
   何种场景下需要人类 / 高阶智能体介入；
8. 资源预算：
   任务最大耗时、token 消耗上限、重试次数、并行智能体数量限制。

自主能力配套观测指标

仅靠事后复盘不足以管控高自主智能体风险，建议提前在任务契约中定义观测指标，提升自主执行的可控性与可信度，各层级可按需选用以下指标：

• 人类两次介入操作的平均间隔时长
• 最长无人值守稳定运行时长、对应交付成果质量
• 沙箱内安全执行操作占比、异常升级操作占比
• 自动审批 / 人工驳回操作的百分比
• 单条人类指令对应的智能体平均执行动作数
• 智能体主动澄清问题的频次、用户主动打断智能体的频次
• 单份变更的人工评审耗时
• 不同自主层级下的返工率
• 各层级漏检上线缺陷数量
• 单份交付变更的 token 消耗成本

指标可以直观反映系统成熟度：

• 四级并行智能体特征：配套可视化数据看板，大量人力消耗在多智能体协同统筹；
• 五级编排智能体特征：多层自动化准入闸门，无充分证据则不允许交付，内置重试与独立校验机制。

自主层级落地前置准备

1. 按风险、可回滚性分类任务：
   梯度开放自主权限，仅在能产出完整校验证据的场景提升层级；
2. 高风险任务（如支付引擎重构）需配套完备测试用例、清晰回滚方案、独立评审智能体，才可启用高自主；无标准化校验依据的文档自动化任务，仅适合低自主层级；
3. 自主层级选择由校验体系完备程度决定，而非任务类型。

四大自主模式反模式（避坑指南）

1. 将自主等级视作身份标签

误区：将高自主权限视作团队技术能力的象征，一味追求更高层级，无视现有校验体系不足以承载对应风险。优化思路：鼓励团队匹配任务选择适配层级，杜绝盲目拔高自主权限。

2. 权限洗白（审批疲劳衍生问题）

误区：厌倦频繁审批弹窗，直接授予智能体无边界的文件、命令访问权限，放大操作风险。优化思路：细化权限边界，配置专属沙箱、限定可读写目录、命令白名单、执行钩子、自动化前置评审。

3. 摘要替代完整校验

误区：仅阅读智能体产出的简短总结，跳过完整变更材料，默认摘要可代表全部工作内容。优化思路：强制配套完整校验包，包含代码差异、测试日志、运行截图、风险缺陷清单，避免主观信任替代客观审核。

4. 虚假集群（多智能体形式化运行）

误区：数十个智能体并行运行，但所有依赖、任务分发仍依靠人工手动协调，并未实现自动化调度。优化思路：统一共享状态、明确任务所有权、完善依赖追踪机制；限制并行在制品数量，推动协同流程标准化、自动化。

自主层级校准实操方法

复盘近期 10 项智能体协作任务，逐条记录：

1. 本次使用的自主层级；
2. 任务整体风险等级；
3. 操作回滚难易程度；
4. 校验产出所需佐证材料；
5. 人工评审耗时；
6. 是否出现返工；
7. 下一次执行同类型任务，是否需要调整自主层级。

安全递进升级路径

遵循分步扩容原则，单次仅升级一个维度，从单一监督智能体起步，产出可核验成果（L1），再沿三个方向逐步拓展：

1. 读操作类探索任务：升级至多智能体并行（L4）；
2. 写操作变更任务：划分独立工作树、限定文件读写权限，开启多智能体并行（L4）；
3. 自动化调度：先搭建周期性任务，再落地基于工单、事件驱动的全局编排（L5）。

每提升一级自主层级，都需要配套新增风险防护机制，提前预判对应故障场景。

各层级固有风险

• 长时单智能体运行：上下文失真、执行偏离目标、信息断层；
• 后台常驻任务：环境假设过时、交接流程缺失；
• 大规模并行智能体：代码合并冲突、重复决策、token 资源静默消耗；
• 自动化重复执行：提示词逻辑老化；
• 全局例外编排：堆积评审工单、人类告警疲劳。

风险应对方案

不必强行降低智能体自主权限，优先缩小任务范围、完善校验证据、搭建低成本回滚通道、增设多层交付闸门、明确任务所有权划分。

各层级适用场景总结

• L0 辅助建议：细节微调、需求未定、需要精细人工判断的场景；
• L1 监督执行：边界清晰的探索性开发、低风险变更；
• L2 限定任务委派：绝大多数常规独立任务（存在未知依赖、潜在突发问题）；
• L3 目标驱动自主：能提炼清晰、可量化成功标准的任务；
• L4 并行多任务委派：可完整拆分、互不干扰的批量子任务；
• L5 全局编排调度：多任务协同逻辑、流转规则可完全代码化的流水线工作。

核心结论：校验永远是高自主的瓶颈

即便当前工具与技术能力持续迭代，成熟的 AI 智能体协作工程，核心在于精准匹配的分级自主机制。自动化工具解放了重复编码、模板编写、常规修复、重复校验等基础工作，但全新瓶颈随之转移至多智能体协同统筹、成果校验、系统维护、产品业务判断、线上故障复盘五大环节。

短期来看，行业会持续迭代智能循环设计，让智能体自主判断何时执行、何时校验、何时求助人类；但工程师的核心价值，依旧是为任务匹配合理自主层级，搭建完整证据校验体系，提前规避高自主模式下的各类风险漏洞。

配图核心释义

自动化重构开发底层工作流

自动化工具替代基础重复工作，并不代表工程师工作量减少，而是工作重心向上迁移：

1. 三大核心工程能力升级：
• 循环设计
  ：定义智能体执行流程、触发时机、业务目标；
• 证据设计
  ：搭建客观标准，证明智能体交付成果有效；
• 存量系统运维
  ：保障线上真实业务系统稳定运行；
2. 工程师核心工作转向：管控执行循环、设计校验证据、维护业务系统、承担所有操作后果；
3. 新旧工作分工对比：
• 自动化承接：手动输入、模板代码、初稿撰写、常规缺陷修复、重复性校验；
• 工程师新增核心瓶颈：多智能体协同、成果校验、系统长期维护、产品业务决策、线上事故复盘。

主要观点

自动化工具只是重构了底层工作环节，而非消灭工程工作；工程师无需固守传统人工开发流程，而是主动掌握全新的 AI 智能体协作范式。

文末备注：本文由 Pangram 校验，全文 100% 人工撰写。（source:原文作者Addy Osmani)