微软倡导开发者转向Agent调度 设严格护栏规避代码通胀风险

From Writing Code to Designing Systems: How the Developer Role is Changing — Chris Noring, Microsoft — AI Engineer

AI Engineer

随着CLI与多Agent接管基础编码,工程核心已转为通过agents.md与技能契约设定护栏,否则AI提升的产能只会转化为更庞大的劣质代码债务。

AI-assisted summary of From Writing Code to Designing Systems: How the Developer Role is Changing — Chris Noring, Microsoft — original source. Check the original for full context.

Source published:

Key ideas

  • 微软技术专家 Chris Noring 指出,现代开发瓶颈已从打字速度转向架构清晰度与 Agent 协同,开发者的核心角色正从代码生产者转变为系统设计者与智能体编排者。 (0:00)
  • 新型开发范式采用“CLI 发起、编辑器中控配置、多端规模化扩展”的三层工作流,取代了以庞大 IDE 为单一核心的传统开发习惯。 (5:00)
  • 防范“AI 废料”(AI slop)的底线是在仓库根目录配置 `agents.md`,并通过 Skill 与 Custom Agent 形成具备权限隔离与行为护栏的执行体系。 (8:00)
  • 通过 CLI 的 `/delegate` 与 GitHub Issue 直接委派任务,Agent 可在云端沙盒中自主运行并输出 Draft PR,保证严格的“人类在环”审查机制。 (15:35)

Detailed notes

## Background 该视频由 YouTube 频道 AI Engineer 于 2026 年 7 月 11 日发布,主讲人为来自微软的 Chris Noring。演讲主题探讨了开发者角色如何从传统的纯手动编写代码转向系统设计、顶层规划以及智能体编排,重点介绍了借助 GitHub Copilot CLI、Copilot Chat 与 agents.md 约束规范来构建高质量软件架构的方法。

## TL;DR Chris Noring 指出,随着 AI 编码工具的普及,软件开发的技术瓶颈已从打字速度与语法实现转移到意图清晰度与架构设计。他提出了一套以 CLI 启动、编辑器作为中控台、并通过 GitHub Issue/PR 规模化委托智能体的全新三层工作流。为了杜绝“AI 垃圾代码”(AI slop)并防止智能体失控,团队必须引入系统级护栏,包括利用 agents.md 规范项目架构边界、用严格契约式的 Skill(技能)约束高频流程,以及基于角色与工具权限配置 Custom Agent。通过将大量实现任务委托给沙盒中的智能体并在关键审批节点保留人类把关(Human-in-the-loop),工程师能够借助 AI“电锯”实现数十倍的杠杆效能,从繁琐编码中解放出来聚焦核心系统设计。

## Atmosphere & style 现场演讲节奏明快、生动幽默且互动频繁。Chris Noring 通过多次现场举手调查与听众建立起高度共鸣,用“蹒跚学步的幼童”和“从斧头迈入电锯时代”等精妙比喻,将前沿开发范式化繁为简。整场分享洋溢着务实与理性交织的极客氛围,既展现了多终端并发调度 Agent 的震撼生产力,又严谨强调了工程护栏与架构把关的底线,最终以肯定人类“工程大脑”不可替代性的真挚呼吁落幕,令人深受鼓舞。

## Bulletin - [00:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=0s) 微软技术专家 Chris Noring 指出,现代开发瓶颈已从打字速度转向架构清晰度与 Agent 协同,开发者的核心角色正从代码生产者转变为系统设计者与智能体编排者。 - [05:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=300s) 新型开发范式采用“CLI 发起、编辑器中控配置、多端规模化扩展”的三层工作流,取代了以庞大 IDE 为单一核心的传统开发习惯。 - [08:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=480s) 防范“AI 废料”(AI slop)的底线是在仓库根目录配置 `agents.md`,并通过 Skill 与 Custom Agent 形成具备权限隔离与行为护栏的执行体系。 - [15:35](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=935s) 通过 CLI 的 `/delegate` 与 GitHub Issue 直接委派任务,Agent 可在云端沙盒中自主运行并输出 Draft PR,保证严格的“人类在环”审查机制。

## Key takeaways - [00:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=0s) 开发者的核心瓶颈发生了根本性转变:从受限于个人工时与精力的线性编码,转向系统设计、规则护栏制定与多 Agent 协同调度。 - [00:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=0s) AI 辅助编码普及后最大的痛点不再是模型好坏,而是如何消除“AI 废料”(AI slop)以及在 CLI、IDE 与 Web 间搭建闭环流。 - [05:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=300s) 业务交付模式正在重构,工程师不再需要撰写 PPT 汇报设想,而是直接基于 Agent 快速生成可交互的 Working Demo。 - [05:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=300s) 编辑器角色发生降级与转移:从编写全部代码的主阵地,退居为管理规则、编排 Custom Agent 和进行局部微调的“中控台”。 - [08:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=480s) 代码库根目录下的 `agents.md` 是防范 Agent 失控的绝对最低防线,用于声明技术栈、权责边界与绝对禁止的架构变更。 - [10:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=600s) Skill 本质上是存放于独立文件夹内、包含 `skill.md` 的确定性“配方”(Recipe),通过严格契约剥夺 Agent 随意发挥的自由度。 - [12:44](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=764s) Custom Agent 具备角色人设、推理能力与规划能力,能够挂载外部 MCP 工具,并通过白名单限制写入或执行权限以实现安全隔离。 - [15:35](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=935s) Agent 兼具天才表现与“学步幼童”般的犯错倾向,因此沙盒隔离与自动化 Guardrails 是横向扩大并发的强制性前提。 - [15:35](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=935s) 通过 CLI 指令 `/delegate` 或 GitHub Issue 直接指派 Agent,可在云端安全沙盒中并行推进 Backlog 任务并以 Draft PR 交付。 - [20:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=1200s) 人类在环(Human-in-the-loop)是规模化委托的核心原则,开发者始终保留审批卡点控制权与最终代码审查合并权。 - [20:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=1200s) 行业正经历“从斧头到电锯”的生产力跃迁,虽然交付速度呈指数级提升,但对操作者的把控力与系统防护要求更为严苛。 - [21:25](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=1285s) 若没有健全的护栏约束,20 倍的代码产出只会演变成 20 倍的垃圾代码堆积,破坏整个系统的架构生命力。 - [21:25](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=1285s) AI 技术的终极目标不是淘汰人类工程师,而是通过高杠杆工具赋能并放大“工程大脑”的设计与判断价值。

## Detailed walkthrough ### [00:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=0s) 开发者角色的转移与工具链演进

来自微软的 Chris Noring 面对满座的会场提早开场。他首先做了一个现场调查,询问在场听众中还有多少人依然像过去那样纯粹靠敲键盘写代码,结果举手的人寥寥无几。这表明大部分人已经逐渐转向“系统设计”的思维范式。在询问工具偏好时,使用 Anthropic 的 Claude 与使用 GitHub Copilot 的开发者几乎各占一半,甚至 Claude 的使用者略多一些。Chris 对此回应称微软与 Anthropic 保持着极佳的合作关系,经常共同出席活动。

```mermaid flowchart LR accTitle: 开发范式演进对比 accDescr: 展示传统线性手工编码模式与现代智能体协调设计模式的区别。 subgraph Old["传统开发范式"] A["线性进度"] --> B["100% 键盘手动写代码"] B --> C["人力瓶颈导致功能割舍"] end subgraph New["现代智能体驱动范式"] D["重心转移"] --> E["高杠杆系统设计与规划"] E --> F["协调多个 AI Agent 并行实现"] end ```

谈及开发者的职业现状,Chris 强调程序员的工作并没有消失,而是重心彻底发生了改变。过去,开发者受到自身精力和工时的制约,功能开发完全是线性的,往往不得不因为时间有限而放弃某些需求;现在,这种生理与时间上的瓶颈已经不复存在。然而,随着 AI 编码工具的普及,大家开始直面“AI 废料”(AI slop)的困扰——在早期阶段,模型生成的糟糕代码不仅无法直接使用,反而增加了返工和重写的负担。如今,大家的核心痛点已经从“用不用 AI”变成了“如何设置护栏(guardrails)”以及“如何在 CLI、IDE 和 Web UI 之间搭建合理的工作流”。

关于开发者日常开发重心的转移,Chris Noring 总结道: > “So you are no longer 100% developers, but you are now in a different position, which some people might argue, I mean, many of us I think have chosen our profession because we love coding, right?”

- 过去的开发痛点:个人生产力即系统上限,人力成为功能交付的唯一瓶颈。 - 现状与挑战:开发者依旧热爱编程,但对亲自编写哪些代码变得极为审慎。 - 生态共存:无论选择 Claude 体系(Claude Code、Claude Desktop)还是 GitHub Copilot 体系(CLI、GitHub UI、编辑器插件),开发者都在寻找将这些端点有机整合的新架构。

---

[05:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=300s) 以 CLI 为起点、编辑器为控制台的三层工作流

针对新时期的开发节奏,Chris 提出了一个颠覆传统习惯的三阶段工作流:**以 CLI 为起点,转入编辑器配置,最终通过 CLI 和 GitHub UI 实现规模化扩展**。在以往长达近 20 年的开发经历中,代码编辑器一直被视为主阵地,而命令行通常被看作运维或特定底层脚本人员的专属工具。但在由 Agent 驱动的时代,开发者不再需要第一时间打开庞大的 IDE;相反,CLI 成了下达意图、拉取 MVP 原型和管理 GitHub Issues 与 PR 的最高效入口。

```mermaid flowchart TD accTitle: 现代开发三层工作流 accDescr: 说明以 CLI 启动、编辑器控制以及多端规模化扩展的新型流程。 CLI["1. 命令行接口 (CLI)<br/>GitHub Copilot CLI / Claude Code<br/>生成 MVP、解决 Issue、批处理 PR"] Editor["2. 编辑器 (VS Code 等)<br/>设置 Guardrails、定制 Custom Agents<br/>充当 Central Control Board 监控流"] Scale["3. 规模化扩展 (Scale)<br/>多 Agent 并行运转<br/>CLI 多终端并行 + GitHub UI"]

CLI --> Editor Editor --> Scale ```

在实际协作中,这一转变让团队沟通发生了质的飞跃。业务人员反馈,工程师现在不再用 PPT 来汇报设想,而是直接带着一个可交互的运行原型(Working Demo)来讨论需求。与此同时,开发者的日常操作也演变为同时打开多个终端窗口:一个终端窗口负责“build me an app”生成下个功能原型,另一个终端窗口在“fix an issue”修复缺陷,开发者甚至可以一边喝着咖啡,一边看着终端里多个 Agent 自主运作。当需要对项目进行深度治理时,工作流才切入编辑器中。此时编辑器的角色更像是一个“中控台”(Control Board),用来监听来自 CLI、代码库以及运行时的各种数据流,而不再是开发者一字一句敲击代码的地方。

对于业务交付模式的剧变,Chris Noring 观察道: > “What my engineers are no longer bringing me PowerPoints, they're bringing me working demos.”

对于编辑器的全新定位,Chris Noring 阐述道: > “Because it doesn't make sense anymore for us if we've got 15, 20 agents that do our bidding, that we sit there and, you know, trying to figure out what code to write.”

- 交付范式革新:从编写方案 PPT 转向直接基于 Agent 生成具备交互能力的 Working Demo。 - 终端多任务协作:通过自然语言 Prompts(例如“build me an app”、“add this feature”、“fix this issue”)并行调度多个任务。 - 编辑器职责变更:从唯一的代码输入工具蜕变为规则配置、Custom Agents 编排与全局监控的“控制面板”。

---

[08:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=480s) 设置护栏:使用 agents.md 规范智能体行为与技能机制

如果不施加约束,自主智能体会立刻失控(run amok)并带来无尽的维护痛苦。为此,Chris 强调了设立护栏的必要性,并指出项目的绝对最低标准是在代码库根目录下维护一个 `agents.md` 文件。这个文件用作最高层级的指导说明书(High-level guidance),详尽规定仓库的初衷、系统架构模式、技术栈选型以及至关重要的行为准则(Do's and Don'ts)。例如,可以在其中明确写入禁止指令——“除非得到我的明确许可,否则绝不要擅自修改系统架构”。

```mermaid flowchart TD accTitle: agents.md 护栏治理机制 accDescr: 展现 agents.md 如何作为顶层架构守则规范 Agent 的开发输出。 subgraph RepoRoot["项目根目录规范"] MD["agents.md<br/>• 架构边界与技术栈 (React, Tailwind)<br/>• 核心职责 (Responsibilities)<br/>• 禁区限制 (Do's and Don'ts)"] end subgraph Execution["Agent 执行期校验"] A1["Agent 生成代码"] MD -.->|"约束与引导"| A1 A1 --> Check{"是否违背架构与规则?"} Check --"否"--> Merge["采纳代码 / 推进功能"] Check --"是"--> Reject["阻止变更并要求重构"] end ```

现场展示了一个基于“氛围编码”(vibe coded)构建的个人财务追踪项目(Finance Tracker)。在该仓库中,`agents.md` 包含了完整的架构定义(如使用 React、Tailwind)、Agent 各自的职责划分等详细规范。开发者在开启一个全新项目或者重构老旧系统时,可以直接把现成且成熟的 `agents.md` 复制进去,提示 Agent 依据该规范理解现有代码库并进行对齐改造。不仅如此,针对 Agent 经常出现的“差之毫厘”或逻辑偏离预期的问题,光有高阶文档还不够,必须配合“技能(Skills)”机制来精确约束其实现细节。当 Chris 询问在场听众有多少人已经在日常使用 Skills 时,台下大量开发者纷纷举手,证明了这一工程治理手段已经成为 AI 编程的主流共识。

谈到 Agent 失去控制的危害及防范底线时,Chris Noring 指出: > “Without rules, agents run amok. So what do we do? We add guardrails. Guardrail number one. This is the absolute bare minimum, right? Agents MD.”

- `agents.md` 核心组成:项目概述、系统架构、明确的 Agent 权责划分、技术选型(如前端框架与样式库)、明确的禁止事项。 - 架构防篡改机制:明确限制 Agent 在未获授权前不得擅自重构或修改既定系统架构设计。 - 渐进式规范引入:支持将成熟项目的 `agents.md` 直接迁移至遗留代码库中,指导 Agent 自动完成代码基线对齐与重构。 - Skills 机制:作为文档规范的延伸,用于解决 Agent 执行具体任务时偏差走样的问题,确保其生成结果符合特定技术规约。

[10:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=600s) Skill 的本质:通过严格契约约束 Agent,杜绝自由发挥

Chris Noring 开玩笑说自己绝对不会当场唱歌,接着切入了 Skill(技能)的核心定义:Skill 本质上就是一份“配方”(recipe),代表一种可重复调用的固定操作逻辑,必须确保 Agent 每次执行该任务时都遵循同样的流程,绝不凭空捏造。作为软件开发者,写代码的核心诉求之一是规避风险,因此必须给 Agent 套上缰绳,限制其自由发挥的冲动。

Skill 是一个由 Agent 调用的严格契约(contract),它完全自包含在指定的文件夹内。对于高频重复且必须按特定顺序执行的任务,使用 Skill 是最佳方案。无论是在 GitHub Copilot 生态还是 Anthropic 的 Claude 生态中,各大厂商的设计思路高度趋同:例如在 Claude 中通常存放在 `.claude/skills` 目录下,而在 GitHub Copilot 体系中也有专门的目录。每个 Skill 拥有独立文件夹,内部包含一个 `skill.md` 文件。文件顶部是包含名称(name)和描述(description)的元数据(frontmatter),随后是一段详尽的 Markdown 指令,明确规定了具体执行步骤。在编写这些指令时,Chris 分享了一个实用技巧:如果不擅长撰写精密 Prompt,直接让 Copilot 帮自己优化 instruction 即可。调用 Skill 时,开发者既可以在交互界面输入 `/skills` 进行配置,也可以直接输入与 Skill 名称或描述匹配的自然语言 Prompt,触发系统自动调用。

```mermaid flowchart TD accTitle: Skill 调用架构流程 accDescr: 展示开发者通过约束性的 skill.md 契约规范 Agent 行为的机制。 subgraph Def["Skill 定义 (.github 或.claude)"] F["Skill 文件夹"] --> MD["skill.md"] MD --> FM["Frontmatter (name / description)"] MD --> INS["Markdown 步骤指令"] end subgraph Call["触发与执行"] PR["开发者 Prompt / 命令 (/skills)"] --> AG["Agent 匹配契约"] AG --> LK["加载对应 Skill"] LK --> EX["受控执行 (禁止自由发挥)"] end Def -.->|"提供确定性约束"| Call ```

> “So the idea with the skill is to give it a recipe, something that's repeatable and you want the agent to use this one each time. Do not make things up. We want to constrain the agents as much as humanly possible.” —— Chris Noring

- **Skill 核心属性**:严格契约、自包含在单一文件夹中、流程可重复、强约束以杜绝幻觉与过度发挥。 - **文件结构标准**:文件夹内含 `skill.md`,顶部通过 YAML frontmatter 定义 `name` 与 `description`,主体使用 Markdown 编写操作顺序。 - **调用机制**:支持显式命令(如 `/skills`)或基于意图匹配描述的隐式 Prompt 触发。

---

[12:44](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=764s) 从 Skill 到 Custom Agent:引入角色设定、推理与 MCP 工具链

随着系统复杂度提升,仅靠单一 Skill 和 `agents.md` 已无法满足需要。Skill 无法协调其他组件,缺乏全局编排能力。GitHub Copilot 引入了更高层级的抽象概念——Custom Agent(自定义智能体)。Custom Agent 具备独立的人设定位(persona)、推理能力与规划能力,能够统领并调用多个 Skill,并接入 MCP(Model Context Protocol)服务器。

在项目组织上,Custom Agent 通常保存在项目根目录的 `.github/agents` 路径下,文件以 `.agent` 结尾以便系统识别加载。与 Skill 的 frontmatter(仅含名称与描述)不同,Custom Agent 的 frontmatter 引入了参数提示(`argument hints`)以及核心字段——`tools`。工具集定义了 Agent 的权限边界。例如,配置一个专注于调研的“Researcher”角色时,可以授权其拥有网页检索(web search)、读取内容和创建待办事项的工具,但严禁其创建或修改代码文件。在 Copilot Chat 中选定该 Agent 后,它便能在规定的工具范围内执行复杂的调研任务,与其他专职 Agent 协同作业。

| 维度 | Skill (技能) | Custom Agent (自定义智能体) | |:--- |:--- |:--- | | **定位** | 细粒度、确定性的执行步骤(配方) | 高层级系统编排者、规划者与执行者 | | **人设与范围** | 无人设,职责单一,局限于文件夹内 | 具备角色设定(如 Security、Backend、Researcher) | | **自主权与推理** | 极低自主性,遵循硬编码契约流程 | 具备推理、自主规划与分解目标的能力 | | **工具与连接** | 仅能在预设逻辑内运行特定工具 | 可动态挂载与调用多个 Skills 及外部 MCP 服务器 | | **典型配置** | `skill.md` (包含 `name`, `description`) | `.agent` 文件 (包含 `tools`, `argument hints`, 权限控制) |

> “So what I'm saying is that a skill is limited in what it can do. It can't really orchestrate itself with others. That's when you need an agent, right? You need something that's able to... reason.” —— Chris Noring

- **Custom Agent 特性**:具备明确角色(如安全专家、前端架构师、研究员),负责跨任务的推理、规划与协同。 - **权限与安全隔离**:通过 `tools` 白名单限制能力(例如研究型 Agent 仅开放搜索与阅读,关闭本地文件写入权限)。 - **存放规范**:推荐路径为 `.github/agents`,文件后缀需为 `.agent`。

---

[15:35](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=935s) 规模化委托开发:利用 CLI 与 GitHub Issue 调度 Agent 并行交付

在明确了 `agents.md`、Custom Agents 以及护栏机制后,开发工作流进入了第三个关键阶段:横向规模化(Scale)。Chris 幽默地指出,许多人将 AI Agent 比作“蹒跚学步的幼童”(toddlers)——它们上一秒还是无所不能的天才,下一秒就会干出匪夷所思的蠢事。正因它们在天才与愚蠢之间摇摆不定,前期的沙盒隔离与安全缰绳才是规模化扩展的前提。具备了安全防护后,单个工程师就能撬动 10 倍、20 倍甚至 100 倍的产能。

规模化委托(Delegation)主要有两种交互模式:

1. **GitHub Copilot CLI 终端委托**:在本地打开多个终端窗口并行处理需求。在关联了真实 GitHub 仓库的终端中输入 `/delegate` 指令并提出需求(例如:“开发一个用 HTML、CSS 和 JavaScript 实现的开销追踪财务应用”)。CLI 会将该会话打包推送至 GitHub 云端,在安全沙盒中启动后台任务,自动挂载所需的 MCP 工具(如 Playwright、GitHub MCP),并最终生成一个 Draft PR(草稿拉取请求)。 2. **GitHub UI 界面批量指派**:在 GitHub 仓库的 Web 页面中,开发者创建普通的 GitHub Issue(描述新功能、Bug 修复等),利用右侧面板的“Assign to agent”功能直接将 Issue 指派给 AI Agent。

无论采取哪种模式,所有 Agent 均运行在沙盒环境中,它们交付成果的终点都是 Pull Request。这种机制确保了“人类在环”(Human-in-the-loop)的核心架构原则:Agent 负责并行清理 Product Backlog 里的繁杂任务,而人类开发者则从琐碎的代码编写中抽离出来,喝着咖啡审查 PR,充当系统架构的最终审核者与守门人。

```mermaid flowchart LR accTitle: Agent 规模化委托与交付流 accDescr: 展现从 CLI 或 Issue 指派任务,经沙盒运行,最终由人类审查 PR 的全流程。 subgraph Trigger["触发委托 (Delegation)"] CLI["CLI: /delegate (多终端并发)"] UI["GitHub UI: Issue 'Assign to agent'"] end subgraph Sandbox["云端沙盒执行"] JOB["后台作业调度"] MCP["挂载 MCP (Playwright, GitHub 等)"] GEN["自动化代码构建与测试"] JOB --> MCP --> GEN end subgraph Review["人类把关 (Human in the Loop)"] PR["生成 Draft PR"] DEV["开发者 Code Review / 合并"] PR --> DEV end Trigger --> JOB GEN --> PR ```

> “They literally go between genius and 'Oh my God, I can't believe you did this.' So you understand the harness, you understand the need for a harness.” —— Chris Noring

> “So essentially, if I'm in the user interface for a repo, I can just say, oh, here's a bunch of issues. Each of these issues are a next feature or a bug fix or whatever. Delegate, delegate, delegate, delegate, and I go have a coffee, right?” —— Chris Noring

- **Agent 的两极特性**:兼具极高推理能力与不可预测的低级失误风险,沙盒隔离与自动化 Guardrails 是多任务并行运作的硬性前提。 - **环境要求**:使用 CLI 执行 `/delegate` 时,项目必须是合法的 GitHub 仓库,以便会话状态顺利推送到云端作业系统。 - **安全沙盒与 PR 机制**:Agent 无法逃逸出沙盒直接污染主分支;PR 作为标准交付物,强制保留了人类介入的审查节点。

[20:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=1200s) Issue 驱动的 Agent 委派与“电锯时代”的开发者角色

在现场演示中,Chris Noring 展示了如何在 GitHub 界面中通过 Issue 直接向 Agent 派发任务。创建完 Issue 后,只需点击“Assign Agent”(指派 Agent)并在需要时补充额外说明,整个自动化流程便随之启动。系统界面上很快跳出 Copilot 的图标,Chris 幽默地模拟了 AI 的心理活动:“哦,Copilot,你叫了我的名字,对吧?”随后,后台任务开始推进,界面会显示出正在进行的工作状态(WIP),开发者可以随时点击查看其具体的执行进度与上下文。

这种协同方式的核心在于“人在回路”(Human-in-the-loop)机制。Agent 在后台默默完成全部编码任务后,会主动提交一个 Draft PR(草稿拉取请求),并向开发者发起询问:“嘿,Chris,你觉得这个怎么样?这能发布吗?”Chris 强调,最棒的一点在于所有繁重的编码实现全部在后台静默发生,开发者得以从打字中彻底脱身,将精力投入到其他核心事务中。

谈及这种工作范式的转变,Chris 提出了一个生动的行业隐喻:“我通常把我们生活的这个奇怪时代,比作人们过去用斧头砍树的时代。”他进一步解释道:“I see we are now at the point where we're throwing the axes, we're using a chainsaw instead because we are so much faster.”(我认为我们现在正处于把斧头扔掉、改用电锯的节点,因为我们的速度大幅提升了。)开发者向来习惯于采用更先进的生产力工具,因此拥抱这种进化十分自然。然而,正因为引入了威力巨大的“电锯”,人类的把关角色才显得愈发不可或缺。Chris 直言:“We have built the system that instructs the agents to run amok within our harness.”(我们构建了这套系统,指导 Agent 在我们的安全鞍具与约束框架内大显身手。)从设置多道审批卡点(Approval Gates)到合并前的最终代码审查,决定权始终掌握在工程架构师手中。

```mermaid flowchart LR accTitle: Issue Driven Agent Workflow accDescr: A flowchart showing the human-in-the-loop workflow from issue creation to PR merge.

subgraph Design["系统设计与分发"] A["创建 GitHub Issue"] --> B["Assign Agent 委派"] end

subgraph AgentExec["Agent 自主执行"] B --> C["后台执行任务 WIP"] C --> D["生成 Draft PR"] end

subgraph HumanLoop["审批与质量门禁"] D --> E["开发者审查与审批卡点"] E --> F["最终合并上线"] end ```

- **任务解耦**:开发者不再陷于具体语法编写,而是退居幕后进行任务拆解与指令输入,其余构建过程全权交给后台 Agent 处理。 - **掌控权保留**:即便 Agent 自主完成了全套代码编写与测试,最终的 PR 审查、质量把关与合并(Merge)权利依然牢牢把控在人类开发者手中。

[21:25](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=1285s) 终端 CLI、Guardrails 防护与 20 倍工程师的本质

在演讲的收尾总结中,Chris 大力鼓励开发者走出熟悉的 IDE 编辑器舒适区,积极尝试基于命令行的 CLI 工具。他回顾了自己在演讲中演示的六个甚至更多并发运行的终端窗口:无论是搞家庭业余项目(Side Project),还是在大型企业环境中供职,敢于拥抱 CLI 的工程师都能获得惊人的吞吐量。在现代开发流中,传统编辑器的比重正在逐步下降,更多退化为进行细微微调(Fine Adjustments)的辅助工具,因为在宏观规划和高并发任务调度上,CLI 与 GitHub 平台化 UI 展现出了无与伦比的扩展性与委派效率,足以让一个人爆发出“20 倍于以往的工程产出”。

然而,产能的巨幅提升伴随着巨大的架构隐患。Chris 郑重告诫全场开发者必须清醒看待代码数量的膨胀:“Providing, of course, we provided the right guardrails, right? Because 20 times more code, that could be 20 times more slop, and we don't want that.”(前提当然是我们提供了正确的护栏,对吧?因为 20 倍的代码也可能是 20 倍的垃圾代码,而我们绝不想要那种东西。)盲目放任 AI 无序生成代码只会导致系统迅速腐烂,这也是为什么必须引入系统化规范与护栏机制——诸如依托 `agents.md`(或相关规范站点)、Skill 插件体系以及定制化专用 Agent(Custom Agents)来强制约束 AI 行为。

最后,Chris 阐明了技术演进的真正落脚点:引入 AI 绝不是为了淘汰工程师,而是为了赋能与放大工程师的头脑杠杆。他恳切地呼吁大家继续坚守技术岗位:“And all about this is about scaling you now that we have AI, not replacing you. So hopefully I'm landing you with a good message to say, we want the engineering brain. So please stay in this industry, right?”(现在有了 AI,这一切都是为了放大你的能力,而不是取代你。所以我希望能给大家传递一个积极的信念:我们依然渴求工程大脑。所以请继续留在这个行业里,好吗?)在全场热烈的掌声与背景音乐中,Chris 结束了本次分享。

- **多终端并发**:利用 GitHub Copilot CLI 等工具同时操控多个终端会话,让开发者从单线程代码编写切换为多智能体集群调度。 - **编辑器的角色降级**:代码编辑器不再是开发的核心发生地,而逐渐转变为用于局部精确微调与最终确认的审查工具。 - **防范“代码垃圾”(Slop)**:缺乏约束的 AI 会快速制造海量劣质代码;以 `agents.md` 为代表的明确规范、上下文约束与 Guardrails 是守住架构质量的基石。

## Notable quotes > [21:25](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=1285s) And all about this is about scaling you now that we have AI, not replacing you. So hopefully I'm landing you with a good message to say, we want the engineering brain. So please stay in this industry, right? — Chris Noring

> [05:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=300s) Because it doesn't make sense anymore for us if we've got 15, 20 agents that do our bidding, that we sit there and, you know, trying to figure out what code to write. — Chris Noring

> [21:25](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=1285s) Providing, of course, we provided the right guardrails, right? Because 20 times more code, that could be 20 times more slop, and we don't want that. — Chris Noring

> [15:35](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=935s) They literally go between genius and 'Oh my God, I can't believe you did this.' So you understand the harness, you understand the need for a harness. — Chris Noring

> [05:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=300s) What my engineers are no longer bringing me PowerPoints, they're bringing me working demos. — Chris Noring

> [20:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=1200s) We have built the system that instructs the agents to run amok within our harness. — Chris Noring

## Mentioned Chris Noring, Microsoft, Anthropic, Claude, Claude Code, Claude Desktop, GitHub, GitHub Copilot, GitHub Copilot CLI, VS Code, Model Context Protocol, Playwright, React, Tailwind CSS

## Video description For decades, developers have been valued primarily for how much code they could write and how quickly they could write it. That model no longer scales. As AI becomes a first-class collaborator, the bottleneck is no longer syntax or implementation speed—it’s clarity of intent, architectural thinking, and the ability to coordinate work across many autonomous contributors.

Today’s challenge is not "How do I write this code?" but "How do I ensure this system is built correctly, consistently, and to company standards—across dozens of moving parts?" Without structure, AI-assisted development risks fragmentation: inconsistent patterns, duplicated logic, and solutions that technically work but fail architectural, security, or organizational expectations.

This talk introduces a new mental model for modern development: the developer as planner, system designer, and orchestrator of agents. Using GitHub Copilot, GitHub Copilot CLI, and custom Copilot agents driven by agents.md, we’ll explore how developers can decompose large problems, delegate implementation to specialized AI agents, and encode standards, constraints, and intent directly into the workflow. Instead of prompting ad-hoc, we define explicit instructions per layer—frontend, backend, infrastructure, testing—so every agent builds the right thing in the right way.

The result is not less control, but more leverage: faster delivery, higher consistency, and systems that reflect deliberate design rather than accidental outcomes.

What you’ll learn:

How the developer role is shifting from code producer to system designer, planner, and agent orchestrator

How to structure projects for agent-driven development, using GitHub Copilot CLI, Copilot Chat, and agents.md to encode standards and intent

How to ensure architectural consistency and quality at scale by giving agents clear responsibilities, constraints, and ownership boundaries

---

Watch along with the corrected transcript, summary, timestamps and resources on this talk's official AIE page: https://ai.engineer/talks/GdvKNwMcfd0-from-writing-code-to-designing-systems-how-the-developer-role-is-changing-chris-noring-microsoft

Join our upcoming AI Engineer conferences (see https://ai.engineer landing page):

- AIEi Shanghai, November 5–6 — the first for meeting top Chinese labs and engineers - AIE CODE in SF, November 10–12 — the top AI Coding conference returns - AIEi Sydney, December 7–8 — the first AIEi run alongside NeurIPS 2026 in Sydney

---

[Source](https://www.youtube.com/watch?v=GdvKNwMcfd0)

中文简报

微软专家 Noring 提出以多智能体 CLI 系统替代 IDE 编码 工程师必须从手动编写语法转向在严格的代码库护栏下编排后台智能体,否则代码库将面临被难以维护的 AI 垃圾代码淹没的风险。 Chris Noring 提出了一种现代化的三阶段开发者工作流:命令行作为 MVP 的初始筹备平台,代码编辑器转变为全局任务控制面板,并通过自主智能体横向扩展任务。为了防止不受引导的生成式工具产生架构层面的“垃圾代码”,他演示了如何利用基线 `agents.md` 代码库约定、确定性分步技能以及限定范围的自定义智能体来实施严格的护栏。开发者可以通过 CLI 或 GitHub issue 分配来异步委派复杂任务,让智能体在隔离环境中运行独立任务,并最终生成受人工审查监管的草稿 Pull Request。 开发者的瓶颈已从键盘编写代码转变为战略监督、系统设计以及构建护栏,以防止生成式 AI 工具制造不受约束的垃圾代码。 (0:00) 开发者正将主要起点从文本编辑器转向命令行界面,通过运行并行终端会话来生成 MVP、分流问题并运行智能体。 (3:15) 代码库需要通过 agents.md 文件、可复用的技能契约以及限定范围的自定义智能体建立严格约束,以界定自主 AI 的行为边界。 (6:47) 通过 /delegate CLI 命令或 GitHub issue 分配进行后台委派,使智能体能够在沙箱中运行,并生成供人工审查的草稿 Pull Request。 (15:00)

精炼阅读摘要

微软AI工程师Chris Noring指出,软件工程的重心正从编写语法代码转向设计系统与把控边界;通过将CLI作为首要入口、在仓库中建立严格的规范约束,开发者能够从单纯的代码输入者转型为指挥多Agent并行协作的系统架构师。 从编写代码向系统架构的重心迁移 (0:00) 在传统软件开发模式中,进度往往是线性的,工程师依靠手动击键完成100%的代码,人类产能是制约项目推进的核心瓶颈。Noring指出,虽然工程师依然重视代码编写,但其精力的投入方向已经发生转变。早期的生成式AI工具若缺乏边界约束,容易输出结构混乱、需要大量人力返工的劣质代码(AI slop),反而增加了工作负担。因此,开发者的关键挑战不再是寻找生成代码的捷径,而是如何为Claude Code、GitHub Copilot CLI或IDE扩展等工具建立有效的防护栏,从而在保护自身时间的同时实现高效产出。 重构三阶段工作流:CLI与控制看板 (3:15) Noring提出了一种以命令行(CLI)为首要切入点的三阶段工作流,打破了过去开发者习惯直接打开IDE的流程。在第一阶段,终端成为起草最小可行产品(MVP)、分流GitHub Issues以及管理Pull Request的试验场,省去了启动VS Code的开销,也使工程师能够直接向业务方交付运行原型而非PPT汇报;在第二阶段,编辑器转变角色,不再充当输入画布,而是演化为“任务控制看板”(Mission Control Board),用来接入遥测数据流、细化代码结构并实施架构审查;第三阶段则是通过多终端并行会话或GitHub界面,将任务规模化分发给自主Agent。 借助agents.md与技能约束Agent行为 (6:47) 为了防止未受约束的Agent破坏既有架构或产生幻觉,Noring强调必须在代码仓库中建立基础边界。他主张在每个仓库中配置agents.md文件作为最低标准的约束契约,明确技术栈选型(例如前端采用React与Tailwind CSS)、架构约束以及禁止擅自重构代码等行为规范。当面对需要按固定顺序执行的高频操作时,开发者可进一步将其封装为技能(Skills)。无论是在GitHub Copilot还是Claude生态(如.claude/skills/目录下的skill.md),技能都充当着具备明确步骤的固定配方,通过严格剥夺工具的随意发挥空间,确保操作的确定性与一致性。 自定义Agent的分工与多通道后台委派 (13:00) 相比于仅执行孤立配方的技能,自定义Agent具备更高级的自主规划与多步推理能力。Noring介绍,通过配置.github/agents/下的.agent规范,开发者可以赋予Agent特定角色(如安全审查员或后端专家),并利用工具声明(Tools)严格收窄其权限,例如允许研究型Agent检索网页但禁止其修改本地文件。在任务交付上,开发者既可以在本地终端通过/delegate命令将需求推送到GitHub云端沙箱,也可以在GitHub Web端将Issue指派给Agent。整个执行过程在后台异步推进,并最终以草稿Pull Request(Draft PR)形式交由人工审查,确保在合并入生产环境前保留严格的人在回路(Human-in-the-loop)机制。 工具杠杆升级与人类判断力的核心价值 (20:45) Noring将当前的技术演进比作伐木工人从使用斧头转向使用电锯,认为这是生产力工具杠杆的升级而非对开发者的生存替代。通过在多个终端并行调度Agent,工程师能够达到数十倍的交付效率;然而,代码产出速度的飞跃也伴随着低质代码泛滥的系统性风险。Noring强调,人类工程师依然不可或缺,因为设计安全缰绳、编写系统契约以及把关代码合并的核心决策权始终掌握在工程师手中,AI的作用是放大人类的工程判断力而非将其边缘化。 Noring总结认为,AI时代的核心诉求是工程大脑的系统设计能力而非机械的语法输入。通过组合使用CLI入口、agents.md契约、自定义技能与草稿PR审核机制,开发者可以在规避代码失控风险的前提下,安全地获取Agent带来的规模化生产力。

Detailed notes — zh

## Background 该视频由 YouTube 频道 AI Engineer 于 2026 年 7 月 11 日发布,主讲人为来自微软的 Chris Noring。演讲主题探讨了开发者角色如何从传统的纯手动编写代码转向系统设计、顶层规划以及智能体编排,重点介绍了借助 GitHub Copilot CLI、Copilot Chat 与 agents.md 约束规范来构建高质量软件架构的方法。 ## TL;DR Chris Noring 指出,随着 AI 编码工具的普及,软件开发的技术瓶颈已从打字速度与语法实现转移到意图清晰度与架构设计。他提出了一套以 CLI 启动、编辑器作为中控台、并通过 GitHub Issue/PR 规模化委托智能体的全新三层工作流。为了杜绝“AI 垃圾代码”(AI slop)并防止智能体失控,团队必须引入系统级护栏,包括利用 agents.md 规范项目架构边界、用严格契约式的 Skill(技能)约束高频流程,以及基于角色与工具权限配置 Custom Agent。通过将大量实现任务委托给沙盒中的智能体并在关键审批节点保留人类把关(Human-in-the-loop),工程师能够借助 AI“电锯”实现数十倍的杠杆效能,从繁琐编码中解放出来聚焦核心系统设计。 ## Atmosphere & style 现场演讲节奏明快、生动幽默且互动频繁。Chris Noring 通过多次现场举手调查与听众建立起高度共鸣,用“蹒跚学步的幼童”和“从斧头迈入电锯时代”等精妙比喻,将前沿开发范式化繁为简。整场分享洋溢着务实与理性交织的极客氛围,既展现了多终端并发调度 Agent 的震撼生产力,又严谨强调了工程护栏与架构把关的底线,最终以肯定人类“工程大脑”不可替代性的真挚呼吁落幕,令人深受鼓舞。 ## Bulletin - [00:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=0s) 微软技术专家 Chris Noring 指出,现代开发瓶颈已从打字速度转向架构清晰度与 Agent 协同,开发者的核心角色正从代码生产者转变为系统设计者与智能体编排者。 - [05:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=300s) 新型开发范式采用“CLI 发起、编辑器中控配置、多端规模化扩展”的三层工作流,取代了以庞大 IDE 为单一核心的传统开发习惯。 - [08:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=480s) 防范“AI 废料”(AI slop)的底线是在仓库根目录配置 `agents.md`,并通过 Skill 与 Custom Agent 形成具备权限隔离与行为护栏的执行体系。 - [15:35](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=935s) 通过 CLI 的 `/delegate` 与 GitHub Issue 直接委派任务,Agent 可在云端沙盒中自主运行并输出 Draft PR,保证严格的“人类在环”审查机制。 ## Key takeaways - [00:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=0s) 开发者的核心瓶颈发生了根本性转变:从受限于个人工时与精力的线性编码,转向系统设计、规则护栏制定与多 Agent 协同调度。 - [00:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=0s) AI 辅助编码普及后最大的痛点不再是模型好坏,而是如何消除“AI 废料”(AI slop)以及在 CLI、IDE 与 Web 间搭建闭环流。 - [05:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=300s) 业务交付模式正在重构,工程师不再需要撰写 PPT 汇报设想,而是直接基于 Agent 快速生成可交互的 Working Demo。 - [05:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=300s) 编辑器角色发生降级与转移:从编写全部代码的主阵地,退居为管理规则、编排 Custom Agent 和进行局部微调的“中控台”。 - [08:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=480s) 代码库根目录下的 `agents.md` 是防范 Agent 失控的绝对最低防线,用于声明技术栈、权责边界与绝对禁止的架构变更。 - [10:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=600s) Skill 本质上是存放于独立文件夹内、包含 `skill.md` 的确定性“配方”(Recipe),通过严格契约剥夺 Agent 随意发挥的自由度。 - [12:44](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=764s) Custom Agent 具备角色人设、推理能力与规划能力,能够挂载外部 MCP 工具,并通过白名单限制写入或执行权限以实现安全隔离。 - [15:35](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=935s) Agent 兼具天才表现与“学步幼童”般的犯错倾向,因此沙盒隔离与自动化 Guardrails 是横向扩大并发的强制性前提。 - [15:35](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=935s) 通过 CLI 指令 `/delegate` 或 GitHub Issue 直接指派 Agent,可在云端安全沙盒中并行推进 Backlog 任务并以 Draft PR 交付。 - [20:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=1200s) 人类在环(Human-in-the-loop)是规模化委托的核心原则,开发者始终保留审批卡点控制权与最终代码审查合并权。 - [20:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=1200s) 行业正经历“从斧头到电锯”的生产力跃迁,虽然交付速度呈指数级提升,但对操作者的把控力与系统防护要求更为严苛。 - [21:25](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=1285s) 若没有健全的护栏约束,20 倍的代码产出只会演变成 20 倍的垃圾代码堆积,破坏整个系统的架构生命力。 - [21:25](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=1285s) AI 技术的终极目标不是淘汰人类工程师,而是通过高杠杆工具赋能并放大“工程大脑”的设计与判断价值。 ## Detailed walkthrough ### [00:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=0s) 开发者角色的转移与工具链演进 来自微软的 Chris Noring 面对满座的会场提早开场。他首先做了一个现场调查,询问在场听众中还有多少人依然像过去那样纯粹靠敲键盘写代码,结果举手的人寥寥无几。这表明大部分人已经逐渐转向“系统设计”的思维范式。在询问工具偏好时,使用 Anthropic 的 Claude 与使用 GitHub Copilot 的开发者几乎各占一半,甚至 Claude 的使用者略多一些。Chris 对此回应称微软与 Anthropic 保持着极佳的合作关系,经常共同出席活动。 ```mermaid flowchart LR accTitle: 开发范式演进对比 accDescr: 展示传统线性手工编码模式与现代智能体协调设计模式的区别。 subgraph Old["传统开发范式"] A["线性进度"] --> B["100% 键盘手动写代码"] B --> C["人力瓶颈导致功能割舍"] end subgraph New["现代智能体驱动范式"] D["重心转移"] --> E["高杠杆系统设计与规划"] E --> F["协调多个 AI Agent 并行实现"] end ``` 谈及开发者的职业现状,Chris 强调程序员的工作并没有消失,而是重心彻底发生了改变。过去,开发者受到自身精力和工时的制约,功能开发完全是线性的,往往不得不因为时间有限而放弃某些需求;现在,这种生理与时间上的瓶颈已经不复存在。然而,随着 AI 编码工具的普及,大家开始直面“AI 废料”(AI slop)的困扰——在早期阶段,模型生成的糟糕代码不仅无法直接使用,反而增加了返工和重写的负担。如今,大家的核心痛点已经从“用不用 AI”变成了“如何设置护栏(guardrails)”以及“如何在 CLI、IDE 和 Web UI 之间搭建合理的工作流”。 关于开发者日常开发重心的转移,Chris Noring 总结道: > “So you are no longer 100% developers, but you are now in a different position, which some people might argue, I mean, many of us I think have chosen our profession because we love coding, right?” - 过去的开发痛点:个人生产力即系统上限,人力成为功能交付的唯一瓶颈。 - 现状与挑战:开发者依旧热爱编程,但对亲自编写哪些代码变得极为审慎。 - 生态共存:无论选择 Claude 体系(Claude Code、Claude Desktop)还是 GitHub Copilot 体系(CLI、GitHub UI、编辑器插件),开发者都在寻找将这些端点有机整合的新架构。 --- ### [05:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=300s) 以 CLI 为起点、编辑器为控制台的三层工作流 针对新时期的开发节奏,Chris 提出了一个颠覆传统习惯的三阶段工作流:**以 CLI 为起点,转入编辑器配置,最终通过 CLI 和 GitHub UI 实现规模化扩展**。在以往长达近 20 年的开发经历中,代码编辑器一直被视为主阵地,而命令行通常被看作运维或特定底层脚本人员的专属工具。但在由 Agent 驱动的时代,开发者不再需要第一时间打开庞大的 IDE;相反,CLI 成了下达意图、拉取 MVP 原型和管理 GitHub Issues 与 PR 的最高效入口。 ```mermaid flowchart TD accTitle: 现代开发三层工作流 accDescr: 说明以 CLI 启动、编辑器控制以及多端规模化扩展的新型流程。 CLI["1. 命令行接口 (CLI)<br/>GitHub Copilot CLI / Claude Code<br/>生成 MVP、解决 Issue、批处理 PR"] Editor["2. 编辑器 (VS Code 等)<br/>设置 Guardrails、定制 Custom Agents<br/>充当 Central Control Board 监控流"] Scale["3. 规模化扩展 (Scale)<br/>多 Agent 并行运转<br/>CLI 多终端并行 + GitHub UI"] CLI --> Editor Editor --> Scale ``` 在实际协作中,这一转变让团队沟通发生了质的飞跃。业务人员反馈,工程师现在不再用 PPT 来汇报设想,而是直接带着一个可交互的运行原型(Working Demo)来讨论需求。与此同时,开发者的日常操作也演变为同时打开多个终端窗口:一个终端窗口负责“build me an app”生成下个功能原型,另一个终端窗口在“fix an issue”修复缺陷,开发者甚至可以一边喝着咖啡,一边看着终端里多个 Agent 自主运作。当需要对项目进行深度治理时,工作流才切入编辑器中。此时编辑器的角色更像是一个“中控台”(Control Board),用来监听来自 CLI、代码库以及运行时的各种数据流,而不再是开发者一字一句敲击代码的地方。 对于业务交付模式的剧变,Chris Noring 观察道: > “What my engineers are no longer bringing me PowerPoints, they're bringing me working demos.” 对于编辑器的全新定位,Chris Noring 阐述道: > “Because it doesn't make sense anymore for us if we've got 15, 20 agents that do our bidding, that we sit there and, you know, trying to figure out what code to write.” - 交付范式革新:从编写方案 PPT 转向直接基于 Agent 生成具备交互能力的 Working Demo。 - 终端多任务协作:通过自然语言 Prompts(例如“build me an app”、“add this feature”、“fix this issue”)并行调度多个任务。 - 编辑器职责变更:从唯一的代码输入工具蜕变为规则配置、Custom Agents 编排与全局监控的“控制面板”。 --- ### [08:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=480s) 设置护栏:使用 agents.md 规范智能体行为与技能机制 如果不施加约束,自主智能体会立刻失控(run amok)并带来无尽的维护痛苦。为此,Chris 强调了设立护栏的必要性,并指出项目的绝对最低标准是在代码库根目录下维护一个 `agents.md` 文件。这个文件用作最高层级的指导说明书(High-level guidance),详尽规定仓库的初衷、系统架构模式、技术栈选型以及至关重要的行为准则(Do's and Don'ts)。例如,可以在其中明确写入禁止指令——“除非得到我的明确许可,否则绝不要擅自修改系统架构”。 ```mermaid flowchart TD accTitle: agents.md 护栏治理机制 accDescr: 展现 agents.md 如何作为顶层架构守则规范 Agent 的开发输出。 subgraph RepoRoot["项目根目录规范"] MD["agents.md<br/>• 架构边界与技术栈 (React, Tailwind)<br/>• 核心职责 (Responsibilities)<br/>• 禁区限制 (Do's and Don'ts)"] end subgraph Execution["Agent 执行期校验"] A1["Agent 生成代码"] MD -.->|"约束与引导"| A1 A1 --> Check{"是否违背架构与规则?"} Check --"否"--> Merge["采纳代码 / 推进功能"] Check --"是"--> Reject["阻止变更并要求重构"] end ``` 现场展示了一个基于“氛围编码”(vibe coded)构建的个人财务追踪项目(Finance Tracker)。在该仓库中,`agents.md` 包含了完整的架构定义(如使用 React、Tailwind)、Agent 各自的职责划分等详细规范。开发者在开启一个全新项目或者重构老旧系统时,可以直接把现成且成熟的 `agents.md` 复制进去,提示 Agent 依据该规范理解现有代码库并进行对齐改造。不仅如此,针对 Agent 经常出现的“差之毫厘”或逻辑偏离预期的问题,光有高阶文档还不够,必须配合“技能(Skills)”机制来精确约束其实现细节。当 Chris 询问在场听众有多少人已经在日常使用 Skills 时,台下大量开发者纷纷举手,证明了这一工程治理手段已经成为 AI 编程的主流共识。 谈到 Agent 失去控制的危害及防范底线时,Chris Noring 指出: > “Without rules, agents run amok. So what do we do? We add guardrails. Guardrail number one. This is the absolute bare minimum, right? Agents MD.” - `agents.md` 核心组成:项目概述、系统架构、明确的 Agent 权责划分、技术选型(如前端框架与样式库)、明确的禁止事项。 - 架构防篡改机制:明确限制 Agent 在未获授权前不得擅自重构或修改既定系统架构设计。 - 渐进式规范引入:支持将成熟项目的 `agents.md` 直接迁移至遗留代码库中,指导 Agent 自动完成代码基线对齐与重构。 - Skills 机制:作为文档规范的延伸,用于解决 Agent 执行具体任务时偏差走样的问题,确保其生成结果符合特定技术规约。 ### [10:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=600s) Skill 的本质:通过严格契约约束 Agent,杜绝自由发挥 Chris Noring 开玩笑说自己绝对不会当场唱歌,接着切入了 Skill(技能)的核心定义:Skill 本质上就是一份“配方”(recipe),代表一种可重复调用的固定操作逻辑,必须确保 Agent 每次执行该任务时都遵循同样的流程,绝不凭空捏造。作为软件开发者,写代码的核心诉求之一是规避风险,因此必须给 Agent 套上缰绳,限制其自由发挥的冲动。 Skill 是一个由 Agent 调用的严格契约(contract),它完全自包含在指定的文件夹内。对于高频重复且必须按特定顺序执行的任务,使用 Skill 是最佳方案。无论是在 GitHub Copilot 生态还是 Anthropic 的 Claude 生态中,各大厂商的设计思路高度趋同:例如在 Claude 中通常存放在 `.claude/skills` 目录下,而在 GitHub Copilot 体系中也有专门的目录。每个 Skill 拥有独立文件夹,内部包含一个 `skill.md` 文件。文件顶部是包含名称(name)和描述(description)的元数据(frontmatter),随后是一段详尽的 Markdown 指令,明确规定了具体执行步骤。在编写这些指令时,Chris 分享了一个实用技巧:如果不擅长撰写精密 Prompt,直接让 Copilot 帮自己优化 instruction 即可。调用 Skill 时,开发者既可以在交互界面输入 `/skills` 进行配置,也可以直接输入与 Skill 名称或描述匹配的自然语言 Prompt,触发系统自动调用。 ```mermaid flowchart TD accTitle: Skill 调用架构流程 accDescr: 展示开发者通过约束性的 skill.md 契约规范 Agent 行为的机制。 subgraph Def["Skill 定义 (.github 或.claude)"] F["Skill 文件夹"] --> MD["skill.md"] MD --> FM["Frontmatter (name / description)"] MD --> INS["Markdown 步骤指令"] end subgraph Call["触发与执行"] PR["开发者 Prompt / 命令 (/skills)"] --> AG["Agent 匹配契约"] AG --> LK["加载对应 Skill"] LK --> EX["受控执行 (禁止自由发挥)"] end Def -.->|"提供确定性约束"| Call ``` > “So the idea with the skill is to give it a recipe, something that's repeatable and you want the agent to use this one each time. Do not make things up. We want to constrain the agents as much as humanly possible.” —— Chris Noring - **Skill 核心属性**:严格契约、自包含在单一文件夹中、流程可重复、强约束以杜绝幻觉与过度发挥。 - **文件结构标准**:文件夹内含 `skill.md`,顶部通过 YAML frontmatter 定义 `name` 与 `description`,主体使用 Markdown 编写操作顺序。 - **调用机制**:支持显式命令(如 `/skills`)或基于意图匹配描述的隐式 Prompt 触发。 --- ### [12:44](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=764s) 从 Skill 到 Custom Agent:引入角色设定、推理与 MCP 工具链 随着系统复杂度提升,仅靠单一 Skill 和 `agents.md` 已无法满足需要。Skill 无法协调其他组件,缺乏全局编排能力。GitHub Copilot 引入了更高层级的抽象概念——Custom Agent(自定义智能体)。Custom Agent 具备独立的人设定位(persona)、推理能力与规划能力,能够统领并调用多个 Skill,并接入 MCP(Model Context Protocol)服务器。 在项目组织上,Custom Agent 通常保存在项目根目录的 `.github/agents` 路径下,文件以 `.agent` 结尾以便系统识别加载。与 Skill 的 frontmatter(仅含名称与描述)不同,Custom Agent 的 frontmatter 引入了参数提示(`argument hints`)以及核心字段——`tools`。工具集定义了 Agent 的权限边界。例如,配置一个专注于调研的“Researcher”角色时,可以授权其拥有网页检索(web search)、读取内容和创建待办事项的工具,但严禁其创建或修改代码文件。在 Copilot Chat 中选定该 Agent 后,它便能在规定的工具范围内执行复杂的调研任务,与其他专职 Agent 协同作业。 | 维度 | Skill (技能) | Custom Agent (自定义智能体) | |:--- |:--- |:--- | | **定位** | 细粒度、确定性的执行步骤(配方) | 高层级系统编排者、规划者与执行者 | | **人设与范围** | 无人设,职责单一,局限于文件夹内 | 具备角色设定(如 Security、Backend、Researcher) | | **自主权与推理** | 极低自主性,遵循硬编码契约流程 | 具备推理、自主规划与分解目标的能力 | | **工具与连接** | 仅能在预设逻辑内运行特定工具 | 可动态挂载与调用多个 Skills 及外部 MCP 服务器 | | **典型配置** | `skill.md` (包含 `name`, `description`) | `.agent` 文件 (包含 `tools`, `argument hints`, 权限控制) | > “So what I'm saying is that a skill is limited in what it can do. It can't really orchestrate itself with others. That's when you need an agent, right? You need something that's able to... reason.” —— Chris Noring - **Custom Agent 特性**:具备明确角色(如安全专家、前端架构师、研究员),负责跨任务的推理、规划与协同。 - **权限与安全隔离**:通过 `tools` 白名单限制能力(例如研究型 Agent 仅开放搜索与阅读,关闭本地文件写入权限)。 - **存放规范**:推荐路径为 `.github/agents`,文件后缀需为 `.agent`。 --- ### [15:35](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=935s) 规模化委托开发:利用 CLI 与 GitHub Issue 调度 Agent 并行交付 在明确了 `agents.md`、Custom Agents 以及护栏机制后,开发工作流进入了第三个关键阶段:横向规模化(Scale)。Chris 幽默地指出,许多人将 AI Agent 比作“蹒跚学步的幼童”(toddlers)——它们上一秒还是无所不能的天才,下一秒就会干出匪夷所思的蠢事。正因它们在天才与愚蠢之间摇摆不定,前期的沙盒隔离与安全缰绳才是规模化扩展的前提。具备了安全防护后,单个工程师就能撬动 10 倍、20 倍甚至 100 倍的产能。 规模化委托(Delegation)主要有两种交互模式: 1. **GitHub Copilot CLI 终端委托**:在本地打开多个终端窗口并行处理需求。在关联了真实 GitHub 仓库的终端中输入 `/delegate` 指令并提出需求(例如:“开发一个用 HTML、CSS 和 JavaScript 实现的开销追踪财务应用”)。CLI 会将该会话打包推送至 GitHub 云端,在安全沙盒中启动后台任务,自动挂载所需的 MCP 工具(如 Playwright、GitHub MCP),并最终生成一个 Draft PR(草稿拉取请求)。 2. **GitHub UI 界面批量指派**:在 GitHub 仓库的 Web 页面中,开发者创建普通的 GitHub Issue(描述新功能、Bug 修复等),利用右侧面板的“Assign to agent”功能直接将 Issue 指派给 AI Agent。 无论采取哪种模式,所有 Agent 均运行在沙盒环境中,它们交付成果的终点都是 Pull Request。这种机制确保了“人类在环”(Human-in-the-loop)的核心架构原则:Agent 负责并行清理 Product Backlog 里的繁杂任务,而人类开发者则从琐碎的代码编写中抽离出来,喝着咖啡审查 PR,充当系统架构的最终审核者与守门人。 ```mermaid flowchart LR accTitle: Agent 规模化委托与交付流 accDescr: 展现从 CLI 或 Issue 指派任务,经沙盒运行,最终由人类审查 PR 的全流程。 subgraph Trigger["触发委托 (Delegation)"] CLI["CLI: /delegate (多终端并发)"] UI["GitHub UI: Issue 'Assign to agent'"] end subgraph Sandbox["云端沙盒执行"] JOB["后台作业调度"] MCP["挂载 MCP (Playwright, GitHub 等)"] GEN["自动化代码构建与测试"] JOB --> MCP --> GEN end subgraph Review["人类把关 (Human in the Loop)"] PR["生成 Draft PR"] DEV["开发者 Code Review / 合并"] PR --> DEV end Trigger --> JOB GEN --> PR ``` > “They literally go between genius and 'Oh my God, I can't believe you did this.' So you understand the harness, you understand the need for a harness.” —— Chris Noring > “So essentially, if I'm in the user interface for a repo, I can just say, oh, here's a bunch of issues. Each of these issues are a next feature or a bug fix or whatever. Delegate, delegate, delegate, delegate, and I go have a coffee, right?” —— Chris Noring - **Agent 的两极特性**:兼具极高推理能力与不可预测的低级失误风险,沙盒隔离与自动化 Guardrails 是多任务并行运作的硬性前提。 - **环境要求**:使用 CLI 执行 `/delegate` 时,项目必须是合法的 GitHub 仓库,以便会话状态顺利推送到云端作业系统。 - **安全沙盒与 PR 机制**:Agent 无法逃逸出沙盒直接污染主分支;PR 作为标准交付物,强制保留了人类介入的审查节点。 ### [20:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=1200s) Issue 驱动的 Agent 委派与“电锯时代”的开发者角色 在现场演示中,Chris Noring 展示了如何在 GitHub 界面中通过 Issue 直接向 Agent 派发任务。创建完 Issue 后,只需点击“Assign Agent”(指派 Agent)并在需要时补充额外说明,整个自动化流程便随之启动。系统界面上很快跳出 Copilot 的图标,Chris 幽默地模拟了 AI 的心理活动:“哦,Copilot,你叫了我的名字,对吧?”随后,后台任务开始推进,界面会显示出正在进行的工作状态(WIP),开发者可以随时点击查看其具体的执行进度与上下文。 这种协同方式的核心在于“人在回路”(Human-in-the-loop)机制。Agent 在后台默默完成全部编码任务后,会主动提交一个 Draft PR(草稿拉取请求),并向开发者发起询问:“嘿,Chris,你觉得这个怎么样?这能发布吗?”Chris 强调,最棒的一点在于所有繁重的编码实现全部在后台静默发生,开发者得以从打字中彻底脱身,将精力投入到其他核心事务中。 谈及这种工作范式的转变,Chris 提出了一个生动的行业隐喻:“我通常把我们生活的这个奇怪时代,比作人们过去用斧头砍树的时代。”他进一步解释道:“I see we are now at the point where we're throwing the axes, we're using a chainsaw instead because we are so much faster.”(我认为我们现在正处于把斧头扔掉、改用电锯的节点,因为我们的速度大幅提升了。)开发者向来习惯于采用更先进的生产力工具,因此拥抱这种进化十分自然。然而,正因为引入了威力巨大的“电锯”,人类的把关角色才显得愈发不可或缺。Chris 直言:“We have built the system that instructs the agents to run amok within our harness.”(我们构建了这套系统,指导 Agent 在我们的安全鞍具与约束框架内大显身手。)从设置多道审批卡点(Approval Gates)到合并前的最终代码审查,决定权始终掌握在工程架构师手中。 ```mermaid flowchart LR accTitle: Issue Driven Agent Workflow accDescr: A flowchart showing the human-in-the-loop workflow from issue creation to PR merge. subgraph Design["系统设计与分发"] A["创建 GitHub Issue"] --> B["Assign Agent 委派"] end subgraph AgentExec["Agent 自主执行"] B --> C["后台执行任务 WIP"] C --> D["生成 Draft PR"] end subgraph HumanLoop["审批与质量门禁"] D --> E["开发者审查与审批卡点"] E --> F["最终合并上线"] end ``` - **任务解耦**:开发者不再陷于具体语法编写,而是退居幕后进行任务拆解与指令输入,其余构建过程全权交给后台 Agent 处理。 - **掌控权保留**:即便 Agent 自主完成了全套代码编写与测试,最终的 PR 审查、质量把关与合并(Merge)权利依然牢牢把控在人类开发者手中。 ### [21:25](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=1285s) 终端 CLI、Guardrails 防护与 20 倍工程师的本质 在演讲的收尾总结中,Chris 大力鼓励开发者走出熟悉的 IDE 编辑器舒适区,积极尝试基于命令行的 CLI 工具。他回顾了自己在演讲中演示的六个甚至更多并发运行的终端窗口:无论是搞家庭业余项目(Side Project),还是在大型企业环境中供职,敢于拥抱 CLI 的工程师都能获得惊人的吞吐量。在现代开发流中,传统编辑器的比重正在逐步下降,更多退化为进行细微微调(Fine Adjustments)的辅助工具,因为在宏观规划和高并发任务调度上,CLI 与 GitHub 平台化 UI 展现出了无与伦比的扩展性与委派效率,足以让一个人爆发出“20 倍于以往的工程产出”。 然而,产能的巨幅提升伴随着巨大的架构隐患。Chris 郑重告诫全场开发者必须清醒看待代码数量的膨胀:“Providing, of course, we provided the right guardrails, right? Because 20 times more code, that could be 20 times more slop, and we don't want that.”(前提当然是我们提供了正确的护栏,对吧?因为 20 倍的代码也可能是 20 倍的垃圾代码,而我们绝不想要那种东西。)盲目放任 AI 无序生成代码只会导致系统迅速腐烂,这也是为什么必须引入系统化规范与护栏机制——诸如依托 `agents.md`(或相关规范站点)、Skill 插件体系以及定制化专用 Agent(Custom Agents)来强制约束 AI 行为。 最后,Chris 阐明了技术演进的真正落脚点:引入 AI 绝不是为了淘汰工程师,而是为了赋能与放大工程师的头脑杠杆。他恳切地呼吁大家继续坚守技术岗位:“And all about this is about scaling you now that we have AI, not replacing you. So hopefully I'm landing you with a good message to say, we want the engineering brain. So please stay in this industry, right?”(现在有了 AI,这一切都是为了放大你的能力,而不是取代你。所以我希望能给大家传递一个积极的信念:我们依然渴求工程大脑。所以请继续留在这个行业里,好吗?)在全场热烈的掌声与背景音乐中,Chris 结束了本次分享。 - **多终端并发**:利用 GitHub Copilot CLI 等工具同时操控多个终端会话,让开发者从单线程代码编写切换为多智能体集群调度。 - **编辑器的角色降级**:代码编辑器不再是开发的核心发生地,而逐渐转变为用于局部精确微调与最终确认的审查工具。 - **防范“代码垃圾”(Slop)**:缺乏约束的 AI 会快速制造海量劣质代码;以 `agents.md` 为代表的明确规范、上下文约束与 Guardrails 是守住架构质量的基石。 ## Notable quotes > [21:25](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=1285s) And all about this is about scaling you now that we have AI, not replacing you. So hopefully I'm landing you with a good message to say, we want the engineering brain. So please stay in this industry, right? — Chris Noring > [05:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=300s) Because it doesn't make sense anymore for us if we've got 15, 20 agents that do our bidding, that we sit there and, you know, trying to figure out what code to write. — Chris Noring > [21:25](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=1285s) Providing, of course, we provided the right guardrails, right? Because 20 times more code, that could be 20 times more slop, and we don't want that. — Chris Noring > [15:35](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=935s) They literally go between genius and 'Oh my God, I can't believe you did this.' So you understand the harness, you understand the need for a harness. — Chris Noring > [05:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=300s) What my engineers are no longer bringing me PowerPoints, they're bringing me working demos. — Chris Noring > [20:00](https://www.youtube.com/watch?v=GdvKNwMcfd0&t=1200s) We have built the system that instructs the agents to run amok within our harness. — Chris Noring ## Mentioned Chris Noring, Microsoft, Anthropic, Claude, Claude Code, Claude Desktop, GitHub, GitHub Copilot, GitHub Copilot CLI, VS Code, Model Context Protocol, Playwright, React, Tailwind CSS ## Video description For decades, developers have been valued primarily for how much code they could write and how quickly they could write it. That model no longer scales. As AI becomes a first-class collaborator, the bottleneck is no longer syntax or implementation speed—it’s clarity of intent, architectural thinking, and the ability to coordinate work across many autonomous contributors. Today’s challenge is not "How do I write this code?" but "How do I ensure this system is built correctly, consistently, and to company standards—across dozens of moving parts?" Without structure, AI-assisted development risks fragmentation: inconsistent patterns, duplicated logic, and solutions that technically work but fail architectural, security, or organizational expectations. This talk introduces a new mental model for modern development: the developer as planner, system designer, and orchestrator of agents. Using GitHub Copilot, GitHub Copilot CLI, and custom Copilot agents driven by agents.md, we’ll explore how developers can decompose large problems, delegate implementation to specialized AI agents, and encode standards, constraints, and intent directly into the workflow. Instead of prompting ad-hoc, we define explicit instructions per layer—frontend, backend, infrastructure, testing—so every agent builds the right thing in the right way. The result is not less control, but more leverage: faster delivery, higher consistency, and systems that reflect deliberate design rather than accidental outcomes. What you’ll learn: How the developer role is shifting from code producer to system designer, planner, and agent orchestrator How to structure projects for agent-driven development, using GitHub Copilot CLI, Copilot Chat, and agents.md to encode standards and intent How to ensure architectural consistency and quality at scale by giving agents clear responsibilities, constraints, and ownership boundaries --- Watch along with the corrected transcript, summary, timestamps and resources on this talk's official AIE page: https://ai.engineer/talks/GdvKNwMcfd0-from-writing-code-to-designing-systems-how-the-developer-role-is-changing-chris-noring-microsoft Join our upcoming AI Engineer conferences (see https://ai.engineer landing page): - AIEi Shanghai, November 5–6 — the first for meeting top Chinese labs and engineers - AIE CODE in SF, November 10–12 — the top AI Coding conference returns - AIEi Sydney, December 7–8 — the first AIEi run alongside NeurIPS 2026 in Sydney --- [Source](https://www.youtube.com/watch?v=GdvKNwMcfd0)

Source quotes

[21:25] Chris Noring: And all about this is about scaling you now that we have AI, not replacing you. So hopefully I'm landing you with a good message to say, we want the engineering brain. So please stay in this industry, right? [5:00] Chris Noring: Because it doesn't make sense anymore for us if we've got 15, 20 agents that do our bidding, that we sit there and, you know, trying to figure out what code to write. [21:25] Chris Noring: Providing, of course, we provided the right guardrails, right? Because 20 times more code, that could be 20 times more slop, and we don't want that. [15:35] Chris Noring: They literally go between genius and 'Oh my God, I can't believe you did this.' So you understand the harness, you understand the need for a harness. [5:00] Chris Noring: What my engineers are no longer bringing me PowerPoints, they're bringing me working demos. [20:00] Chris Noring: We have built the system that instructs the agents to run amok within our harness.