Kodemaker工程师提出智能体工作流 警告AI将放大前期架构错误

Polymorphic Mindset - Marina Santos Haugen - NDC AI 2026 — NDC Conferences

NDC Conferences

大模型在缺乏严密验证机制下只会批量制造无法运行的虚假代码,研发价值已从微观编码彻底转向前端需求定义与系统架构把控。

AI-assisted summary of Polymorphic Mindset - Marina Santos Haugen - NDC AI 2026 — original source. Check the original for full context.

Source published:

Key ideas

  • 行业调研显示超过85%的企业仍将AI停留于基础助理阶段,且逾40%的智能体项目因流程与组织设计失当而失败,而非底层模型缺陷。 (3:22)
  • Marina 提出了“错误放大金字塔”,指出上层系统规范或核心提示词的单行偏差,会在代码层被放大为上万至数十万行的废弃代码灾难。 (7:13)
  • 开发范式正从构建智能体转向沉淀业务“技能”(Skills),通过 MCP 标准化协议与可复用的 Markdown 任务流,实现安全扫描、PR 教学与自动化验收。 (17:26)
  • 借助 Git Worktrees、Portless 独立域名代理与 Warp 预设终端,工程师可实现从需求脑暴到子 Agent 无人值守编码的多环境并行推进。 (59:09)

Detailed notes

## Background 该视频由 YouTube 频道 NDC Conferences 于 2026 年 6 月 26 日发布,记录了在挪威奥斯陆举行的 NDC AI 大会上由全栈顾问 Marina Santos Haugen 带来的主题演讲。演讲围绕作者在过去一年半深入多个智能体 AI(Agentic AI)项目的实战沉淀,系统阐述了开发者如何借助工具随上下文灵活切换角色并塑造全新的多态思维(Polymorphic Mindset)。

## TL;DR 演讲系统拆解了智能体 AI 时代软件工程范式的深刻变革,指出团队核心价值正从单点任务执行转向全局系统塑造。针对 AI 极易诱发的“错误放大金字塔”与实现陷阱,主讲人提出了“工作流即产品”的工程哲学,并依托模型上下文协议(MCP)、环境变量配置与自定义技能(Skills)构筑起高内聚的开发流水线。通过贯穿产品需求定义、设计先行架构推演、七阶段流水线到多 Agent 并行攻坚与全自动验证闭环的 CRM 实战案例,演讲完整展示了单兵开发者如何借助 Git Worktree、Warp 与 Commit Dance 等工程工具实现高质量、高吞吐的交付跃迁。

## Atmosphere & style 整场演讲呈现出既专业严谨又幽默自嘲的 Geek 气质,开场以度假期间紧盯屏幕充当“智能体保姆”的趣闻迅速拉近与受众的距离。配合精心定制的赛博朋克复古像素风幻灯片,演讲者将枯燥的工程流水线与架构推演讲得极其生动,既有亲历万行坏代码重构泥潭的切肤之痛,也有成功调度智能体编队并发交付时的从容与振奋。听众在极具节奏感的分步演示中,能真切感受到一位资深工程师对人机协同范式深入骨髓的理性反思与技术热情。

## Bulletin - [03:22](https://www.youtube.com/watch?v=C37Wag4cuhU&t=202s) 行业调研显示超过85%的企业仍将AI停留于基础助理阶段,且逾40%的智能体项目因流程与组织设计失当而失败,而非底层模型缺陷。 - [07:13](https://www.youtube.com/watch?v=C37Wag4cuhU&t=433s) Marina 提出了“错误放大金字塔”,指出上层系统规范或核心提示词的单行偏差,会在代码层被放大为上万至数十万行的废弃代码灾难。 - [17:26](https://www.youtube.com/watch?v=C37Wag4cuhU&t=1046s) 开发范式正从构建智能体转向沉淀业务“技能”(Skills),通过 MCP 标准化协议与可复用的 Markdown 任务流,实现安全扫描、PR 教学与自动化验收。 - [59:09](https://www.youtube.com/watch?v=C37Wag4cuhU&t=3549s) 借助 Git Worktrees、Portless 独立域名代理与 Warp 预设终端,工程师可实现从需求脑暴到子 Agent 无人值守编码的多环境并行推进。

## Key takeaways - [00:06](https://www.youtube.com/watch?v=C37Wag4cuhU&t=6s) “多态思维”(Polymorphic Mindset)指开发者借助 AI 突破传统角色边界,在产品经理、架构师、安全工程师与开发者之间动态切换能力形态。 - [03:22](https://www.youtube.com/watch?v=C37Wag4cuhU&t=202s) 团队协作正从“线性任务执行”转向“系统塑造”,过度单兵使用 AI 容易削弱团队面对面研讨与集体智慧。 - [07:13](https://www.youtube.com/watch?v=C37Wag4cuhU&t=433s) 工程师必须对 AI 生成的所有代码承担完全责任,规避一键生成海量代码带来的虚假生产力与盲目重构死循环。 - [10:18](https://www.youtube.com/watch?v=C37Wag4cuhU&t=618s) “工作流即产品”,研发任务的本质是非线性执行循环(探索、规划、编码、验证),需依赖个人配置、技能插件与 MCP 协议作为支撑底座。 - [12:37](https://www.youtube.com/watch?v=C37Wag4cuhU&t=757s) 保持核心基础设施文件 CLAUDE.md 的动态维护,并利用解释模式与上下文压缩指令,是维持高质量模型输出的关键。 - [14:12](https://www.youtube.com/watch?v=C37Wag4cuhU&t=852s) MCP 生态充当即插即用的通用接口,可连接 Figma、Jira、Semgrep 及最新文档库,实现需求抓取到安全漏洞就地修复的闭环。 - [17:26](https://www.youtube.com/watch?v=C37Wag4cuhU&t=1046s) 底层基础模型的能力正在收窄,真正的研发壁垒在于沉淀业务领域专业知识的上层“技能”(Skills)。 - [20:01](https://www.youtube.com/watch?v=C37Wag4cuhU&t=1201s) Superpowers 工作流套件通过 TDD、子 Agent 隔离与弹窗 HTML 交互,有效抑制了 Agent 草率宣布完工的倾向。 - [24:04](https://www.youtube.com/watch?v=C37Wag4cuhU&t=1444s) 前端设计技能通过先行业务头脑风暴与风格固化,打破了通用 AI 生成界面草率廉价的“塑料感”。 - [26:27](https://www.youtube.com/watch?v=C37Wag4cuhU&t=1587s) Feature Dev 采用七阶段流水线,并在探索阶段引入 2 至 3 个 Agent 并发执行以实现数据三角校验。 - [28:23](https://www.youtube.com/watch?v=C37Wag4cuhU&t=1703s) 面对包含数百行数十列的复杂业务表格,文档技能结合源码检索能够迅速输出高保真交互原型辅助需求决策。 - [37:59](https://www.youtube.com/watch?v=C37Wag4cuhU&t=2279s) 通过教学型 PR 审查技能与本地 Kali Docker 渗透测试容器,全栈开发者能够显著降低复杂代码审查与安全防护门槛。 - [41:56](https://www.youtube.com/watch?v=C37Wag4cuhU&t=2516s) 在真实业务中切忌直接听信用户的方案建议,应借助规范技能生成包含明确边界与优先级的 PRD 产品需求文档。 - [47:30](https://www.youtube.com/watch?v=C37Wag4cuhU&t=2850s) 推行“设计先行”的分层架构推演(能力、组件、交互、契约),并将 ADR 决策记录作为首次代码提交以降低对齐成本。 - [51:24](https://www.youtube.com/watch?v=C37Wag4cuhU&t=3084s) 引入 Google Gemini 等外部 Judge 模型对 UI 进行多维度交叉打分,严格遵循“无自动化验证便无可用代码”的铁律。 - [55:40](https://www.youtube.com/watch?v=C37Wag4cuhU&t=3340s) 全自主工作流结合“Commit Dance”技能,能将零散提交重塑为脉络清晰的叙事,并全自动响应 GitHub 审查机器人的反馈。 - [59:09](https://www.youtube.com/watch?v=C37Wag4cuhU&t=3549s) 结合 Git Worktree 与 Portless 端口隔离代理,开发者可以在同一终端中无冲突地并行推进不同成熟度的功能模块。 - [01:01:48](https://www.youtube.com/watch?v=C37Wag4cuhU&t=3708s) 工具本身并无魔法,AI 时代的核心壁垒在于工程师大脑与工具结合后的多态适应力与自动化验证能力。

## Detailed walkthrough ### [00:06](https://www.youtube.com/watch?v=C37Wag4cuhU&t=6s) 演讲者背景与“多态思维”的概念诞生

来自 Kodemaker 的全栈软件工程师兼顾问 Marina Santos Haugen 登台开启了这场分享。她拥有工业经济与技术管理背景,专注于计算机科学与人工智能,曾就读于挪威科技大学(NTNU)创业学院。在成为独立顾问前,她在挪威最大的金融服务集团 DNB 工作了 7 年,涉足从创新研发、A/B 测试到开放银行 API 平台及网银系统的诸多业务。她的职业履历并非单一传统的线性路径,而是从业务拓展(Business Development)起步,经历实验经理(Experiment Manager),最终通过技能重塑转型为全栈工程师。这种跨界经历让她自诩为一个高度“多态”(Polymorphic)的人。

在过去的一年半里,Marina 深入参与了三个不同项目,全力探索智能体 AI(Agentic AI)与其深度融合的工作流。她亲眼见证了一个极小的团队如何借助这项飞速发展的技术交付超乎寻常的成果。谈及人机协作,行业中常常流传着这样一句话:“AI 不会取代人类,而是会赋予人类超能力。”但现实与理想往往存在戏剧性的温差。Marina 幽默地展示了一张自嘲照片——“野外捕获的智能体开发者”:在一次本该浪漫的法国度假中,她全程盯着从不合拢的笔记本电脑,像个保姆一样寸步不离地照看着自己的 AI 智能体,以至于她对同行丈夫深感歉疚。但这股热情源于技术带来的根本性蜕变:AI 让人类能够根据上下文需要随时“变形”(Shift shape),她将这种认知模式提炼为“多态思维”(Polymorphic Mindset)。

“多态”(Polymorphism)在生物学中指同一种群表现出的多种形态差异,在面向对象编程中则代表同一接口下的不同实现形态——如同定义了一个动物契约(Contract),狗和狼却具备截然不同的行为方式。Marina 将自己比作游戏角色,本体未变,却能通过穿戴不同的披风或帽子切换独特技能:“AI gives us the ability to shift shape when the context demands it.”

- **演讲者背景**:Kodemaker 全栈顾问,毕业于 NTNU 创业学院,曾任职 DNB 7 年。 - **多态隐喻**:同一接口、多种实现;如同前一天还是沉浸在三块屏幕代码心流中的开发者,次日便换上盛装亮相凡尔赛宫的面具舞会。

---

[03:22](https://www.youtube.com/watch?v=C37Wag4cuhU&t=202s) 重新定义团队角色:从任务执行转向系统塑造

在传统的产研协作中,通常由三种核心角色各司其职:产品经理负责把握方向、梳理待办优先级并对齐利益相关者,确保业务价值落地;开发者专注于代码安全、测试与重构;设计师则聚焦 UI/UX 体验、定量用户研究、旅程地图绘制以及倾听用户心声。然而在智能体 AI 时代,开发者不再被局限在编码角落,而是能戴上多顶帽子承担更广谱的工作。Marina 强调这并不意味着削弱跨职能协作,而是协作模式正在发生范式转移:“Value shifts from executing tasks to shaping systems.” 智能体 AI 让团队协作告别了传统的线性交接与严苛的角色界限,转变为更具集体性的共创体系。

多份行业权威报告印证了这一转变的迫切性与现实困境。麦肯锡在发布的一份关于智能体 AI 落地一年的报告中直言,核心不在于智能体本身,而在于工作流设计;而波士顿咨询(BCG)的研究则揭示,超过 85% 的企业至今仍停留在单纯把 AI 当作任务信息助理的基础委派阶段,根本未能触及重塑组织价值的工作流革新阶段。不仅如此,高达 40% 以上的智能体项目最终走向失败,其根因从来不是底层模型的技术缺陷,而是团队流程设计失当。与此同时,已有 76% 的企业管理者开始将智能体 AI 视作平等的“数字同事”(Co-worker),而非单向调用的工具。

跨职能融合的潜力巨大,但组织若忽视人的因素,AI 反而会破坏团队凝聚力。宝洁(P&G)的研究发现,配备 AI 的跨职能团队产出的突破性创新是普通团队的 3 倍,AI 打通了研发与商业部门之间的语境壁垒,让双方得以使用同一种语言对话。但另一项数据警示:全行业 93% 的 AI 预算被投入到技术采购中,仅有约 7% 留给组织与人员培训。Marina 分享了自己亲身经历的痛点:如果在没有刻意设计协同流程的情况下盲目引入 AI,由于每个开发者都只顾着向自己的 AI 智能体进行一对一推演和“对练”(Sparring),原本团队内部热烈的面对面讨论与思辨骤然减少,反而侵蚀了团队的集体智慧。

| 调研报告来源 | 核心发现与数据 | 对研发团队的启示 | |:--- |:--- |:--- | | **BCG 调研** | 超过 85% 的应用仍停留在任务级助理委派阶段 | 真正的业务价值爆发于工作流重塑阶段 | | **行业综合统计** | 超过 40% 的智能体项目以失败告终 | 失败的根因在于流程设计缺失,而非技术本身 | | **管理层认知调研** | 76% 的企业领导者已将 AI 视为同事而非工具 | 协作关系正从指令操控转变为动态协同 | | **P&G 案例研究** | AI 赋能的跨职能团队产出突破性创新的概率提高 3 倍 | AI 成为消除研发与业务部门壁垒的通用语言桥梁 | | **行业预算分布** | 93% 预算流向技术,仅 7% 投入人员与组织重塑 | 缺乏流程规范的单兵 AI 使用极易瓦解团队协作 |

---

[07:13](https://www.youtube.com/watch?v=C37Wag4cuhU&t=433s) 责任归属与“错误放大”层级:从代码行到核心基建

随着 AI 席卷软件工程,开发者必须重新审视“工程师”与“编程”的根本定义。AI 只是工具,最终的代码所有权与交付质量始终由人类工程师完全承担。当模型生成了残缺有误的代码时,开发者绝不能推诿责任、抱怨模型愚蠢。Marina 毫不留情地指出:“And that if it produces something shitty, then it's actually your fault, because maybe you haven't guided it or had the good a good workflow.”

一键生成海量代码极易诱发虚假的成就感——看到终端迅速滚屏,开发者便误以为自己拥有了超能力,正在飞速推进项目,但这恰恰是最危险的诱惑。Marina 提出了严峻的“错误放大金字塔”(Error Amplification Hierarchy),揭示了人类在宏观认知层面的疏漏如何被 AI 无限放大为海量的代码灾难: 1. **代码语法层(Code)**:1 行糟糕的代码只会对应 1 行垃圾代码; 2. **计划层(Plan)**:1 行错误的计划将演变为 10 到 100 行坏代码; 3. **调研层(Research)**:1 行失误的调研推演会直接衍生出超过 1,000 行坏代码; 4. **规范与问题定义层(Specification)**:1 行有偏差的需求规格意味着团队彻底理解错了业务系统与核心痛点,导致产生上万行废弃代码; 5. **核心基础设施与系统指令层(Core Infrastructure)**:如果在云端或每次会话初始加载的核心提示词与全局指令中写错了 1 行,错误便会在全局持续复现,最终导致数十万行劣质代码蔓延。

Marina 以近期的切身惨痛经历现身说法:在刚加入一个新项目时,由于系统调研不够透彻,她误判了整体架构,直接陷入了残酷的“实现陷阱”(Implementation Trap)。AI 迅速输出了前后端两个体积极其庞大的 Pull Request,前端代码量甚至高达 8,000 行。她随即被困在无休止且令人窒息的重构死循环中。在数万行生成的代码海洋里排查底层误解,不仅极度痛苦,更是成本最为高昂的试错方式。这警醒所有开发者:人机协同的核心价值早已不再是微观语法的敲击,而是系统边界与上层指令的精准锚定。

---

[10:18](https://www.youtube.com/watch?v=C37Wag4cuhU&t=618s) 工作流的解剖学与基础环境配置

摆脱生成诱惑与实现陷阱的唯一解法,是将“工作流本身作为产品”(Workflow as the product)来对待。每一次接手具体任务,都应当被视作一次针对自身工作流健壮度的测试与迭代。Marina 将其结构化地拆解为一套非线性的动态循环——“工作流的解剖学”(Anatomy of a workflow),其核心阶段在探索、计划、编码与验证之间自如穿梭,底层则由三块坚实的基石提供支撑。

```mermaid flowchart TD accTitle: 工作流解剖学架构图 accDescr: 展现从底层配置、技能到顶层非线性执行循环的系统架构

subgraph CoreLoop ["顶层执行:非线性工作流循环"] Explore["探索阶段<br>(Exploration)"] Plan["规划阶段<br>(Planning)"] Code["编码阶段<br>(Code)"] Verify["验证阶段<br>(Verify)"]

Explore <--> Plan Plan <--> Code Code <--> Verify Verify -.->|"反馈迭代"| Explore end

subgraph Foundations ["底层基石:动力与环境支撑"] Config["环境配置 (Configuration)<br>个性化流式适配与权限把控"] SkillsPlugins["技能与插件 (Skills & Plugins)<br>Markdown 任务配方与包封装"] MCP["模型上下文协议 (MCP)<br>AI 连接外部工具的 USB-C"] end

Foundations --> CoreLoop ```

该工作流体系依托于三大技术支撑底座: - **个人配置(Configuration)**:服务于个体最佳心流的定制化配置,因人而异; - **技能与插件(Skills and Plugins)**:技能本质上是用 Markdown 文件编排的任务配方(Recipe),而插件则把特定技能、钩子(Hooks)以及工具上下文打包整合,便于在团队或社区间分发共享; - **模型上下文协议(MCP, Model Context Protocol)**:充当所有 AI 应用的标准化通用接口,如同给智能体装上了即插即用的“USB-C 端口”,使其能自由调用外部工具和私有系统。

在具体环境配置细节中,Marina 重点强调了避免被频繁弹窗打断思维节奏的实操技巧。为了防止陷入“允许/拒绝提示词轰炸致死”(Death by prompt deny / allow-deny prompts),开发者必须提前做好权限管理。可以在客户端中运行 `/permissions` 梳理权限白名单,或借助特定模式开启 Auto Mode 自动化放行,从而彻底消除重复确认带来的心智磨损。最后,她引入了“洞察框”(Insight boxes)等可视化手段,以便实时监控智能体的运行状态并提取关键上下文。

[12:37](https://www.youtube.com/watch?v=C37Wag4cuhU&t=757s) 解释模式、CLAUDE.md 维护与上下文窗口管理

在终端中使用 Claude Code 等智能体工具时,Marina Santos Haugen 展示了终端输出中带星号的标记。这些标记展示了 Agent 做决策背后的模式和推导逻辑。“这非常实用,尤其当你刚接触一个新代码库、需要迅速上手的时候。”用户只需在命令行输入 `/config`,进入 `output style`(输出样式),然后选择 `explanatory`(解释模式)即可开启这一功能。

保持核心基础设施 `CLAUDE.md` 实时更新同样至关重要。Marina 介绍了一个名为 `Claude MD Management` 的插件,其中包含一个叫 `Claude MD Improver` 的技能(Skill)。一旦触发该技能,它会对当前的 `CLAUDE.md` 文件进行评分和打分(score grading),并给出具体的改进建议。该插件还内置了另一个命令 `revise CLAUDE.md`:在编码会话中,每当开发者学到新规则或 Agent 犯了错误时,只需执行此命令,它就会精准捕获该会话中的经验教训并沉淀下来。

```mermaid flowchart LR accTitle: CLAUDE.md 持续维护闭环 accDescr: 展示在编码会话中通过插件与命令评估与动态更新 CLAUDE.md 的流程。

subgraph Evaluation ["评估与改进"] A["Claude MD Improver"] --> B["文件评分与改进建议"] end

subgraph Runtime ["运行时反馈"] C["会话中发现错误/学到新知"] --> D["revise CLAUDE.md 命令"] end

B --> E["CLAUDE.md 核心配置"] D --> E ```

在上下文管理方面,Marina 强调上下文剩余容量与生成代码的质量直接挂钩:“如果你在写代码时剩下的上下文非常少,输出的代码质量就会变差。”为了保证始终拥有健康的上下文窗口,她经常使用 `/compact` 和 `/clear` 命令。此外,她还个性化配置了状态栏(Status Line),常驻显示当前工作目录,并开启上下文剩余量警告提示,以便随时监控消耗。

- 开启解释模式命令路径:`/config` -> `output style` -> `explanatory` - `Claude MD Management` 插件包含的核心技能:`Claude MD Improver`(评分与建议)和 `revise CLAUDE.md`(提炼单次会话教训) - 维持上下文窗口健康的核心指令:`/compact`(压缩上下文)与 `/clear`(重置会话)

---

[14:12](https://www.youtube.com/watch?v=C37Wag4cuhU&t=852s) 连接开发全流程的 MCP 服务器生态

Marina 将话题转向模型上下文协议(Model Context Protocol,简称 MCP)服务器,列举了她在日常研发不同环节中连接的实用工具,并提示输入 `/mcp` 即可随时查看当前已挂载的服务列表。在设计环节,取决于团队习惯,她挂载了 Figma 插件来生成和读取设计稿,连接 Miro 来读取白板草图和梳理发散思维;在需求与缺陷追踪上,她通过 MCP 连接 Linear、Jira 和 GitHub Issues,一旦定位到 bug,就能全自动创建包含抓图与详细技术上下文的工单。在测试与安全领域,她通过 Semgrep MCP 服务器执行安全代码分析,借助 Playwright MCP 进行自动化浏览器端到端测试与 Demo 演示录制。

在文档查询方面,针对大语言模型因训练数据存在截止时间(Cut-off date)而导致知识陈旧的问题,Marina 重点展示了 Context 7 与 Notion 的结合。以 Context 7 为例,其落地页展示了仅在 9 小时前刚刚更新的 Next.js 最新官方文档和代码样本。当项目需要升级依赖、排查 Breaking Changes 或查找补丁更新时,该工具能让 Agent 检索到第一手资料;Marina 本人就曾借助它调研选型,最终选定了适合自己工作流的 Agent Browser。

另一个生动的案例展示了 Miro 与 Notion 的结合使用。在一个实际项目中,Marina 拿到了一份极其复杂的决策树,在庞杂的业务分支中极难快速理清主干代码该如何设计。“我让 Claude 读取这份流程图,并将所有内容以纯文本形式梳理映射出来,这样我就掌握了完整的开心路径(Happy Path)和所有判定分支。”这种文字梳理不仅扫清了代码实现障碍,还能直接同步给产品经理或非技术背景的同事。

```mermaid flowchart TD accTitle: Semgrep 与 Claude Code 的安全协作流 accDescr: 展示 Claude Code 生成代码后,由 Semgrep 扫描漏洞并闭环修复的过程。

A["Claude Code 编写/修改代码"] --> B["Semgrep MCP 服务拦截代码"] B --> C{"OWASP Top 10 漏洞扫描"} C -->|"发现安全隐患"| D["反馈安全漏洞扫描结果"] D --> A C -->|"无漏洞"| E["安全代码合入"] ```

在代码安全检测上,Semgrep MCP 服务器与 Claude Code 形成了实时协作流水线:Agent 每次编辑代码后,输出内容都会立即经过 OWASP Top 10 漏洞库扫描。一旦检出风险,Claude 会在原地根据报告进行针对性重构,从而实现“代码刚写完、安全检测就已闭环”的防御机制。

- 需求追踪:Linear、Jira、GitHub Issues 自动化提单并附带调试抓图与细节 - 文档时效:Context 7 提供最新依赖文档检索,解决模型知识截止问题 - 流程逆向:Miro MCP 将复杂的图形决策树提取为结构化文字“Happy Path” - 实时防御:Semgrep 扫描 OWASP Top 10 漏洞,配合 Claude Code 自动化修复

---

[17:26](https://www.youtube.com/watch?v=C37Wag4cuhU&t=1046s) “不要构建 Agent,构建技能”与像素主题定制案例

Marina 引述了 2025 年 12 月两位 Anthropic 工程师在 AI Engineer 大会及 YouTube 频道上的核心观点:“不要去构建智能体,而是去构建技能(Don't build agents, build skills instead)。”

为了阐述这一论断,Anthropic 提出了三层认知模型: 1. **底层模型即处理器(Processors)**:各家底层大模型之间的能力差距正在迅速收窄,即使是轻量级小模型也在追赶头部大模型,单靠底层模型所能拉开的壁垒越来越小。 2. **中层 Agent 即操作系统(Operating Systems)**:如 Claude Agent 等宿主客户端,它们提供了提问和交互的外壳,虽然体验有差异,但差异依然有限。 3. **外层技能即应用程序(Applications)**:如同百花齐放的应用软件,技能(Skills)才是沉淀业务领域专业知识(Domain Expertise)、拉开核心差异并释放巨大业务价值的真正所在。

```mermaid flowchart TD accTitle: 模型、Agent与技能的三层架构映射 accDescr: 展示由内而外的技术分层架构,将模型类比处理器,Agent类比操作系统,Skills类比应用程序。

subgraph Architecture ["能力分层与价值映射"] M["底层:基础大模型 (Models)<br/>类比:硬件处理器 (Processors)<br/>现状:能力趋同,差距迅速抹平"] O["中层:智能体框架 (Agents)<br/>类比:操作系统 (OS)<br/>功能:提供客户端交互与提问机制"] S["外层:技能扩展 (Skills)<br/>类比:上层应用程序 (Applications)<br/>价值:领域专业知识沉淀与核心价值所在"] end

M --> O O --> S ```

为了证明技能定制的威力,Marina 分享了自己为本次演讲幻灯片编写的 `pixel-theme` 技能。出于对像素艺术风格的狂热喜爱,她此前花了大把时间在 ChatGPT 中生成配图,但效果极其令人沮丧——色彩规范混乱,画面风格支离破碎,拼凑在一起完全不像同一场演示。为此,她开发了专门的像素主题技能,如今只需在会话中一键唤醒,无论生成深海海底还是沙漠奇观,风格都能严丝合缝地保持统一。她坦言这并非一蹴而就:“把工作流本身当成一个产品去打磨。在达到满意的效果或者真正开始产出优质结果之前,我至少迭代了 15 版。”

---

[20:01](https://www.youtube.com/watch?v=C37Wag4cuhU&t=1201s) 技能生态规范与 Superpowers 工作流落地

谈及技能生态系统的构成,Marina 将其分为三层:Agent 内置技能、市场第三方技能以及完全私有的自定义技能。对于内置技能,Claude 官方提供了强大的工具集:例如用于重构迁移的 `/batch` 命令,在处理像 Vue 迁移到 React 这类跨框架需求时,只需一条指令就能批量应用到多个 UI 组件上;此外还内置了排查故障的 `/debug`、精简代码逻辑的 `/simplify` 以及循环校验逻辑的 `/loop`。对于社区和技能市场,Anthropic 的态度极其谨慎,明确告诫开发者不要轻信盲从第三方技能;Marina 也遵循这一原则,不直接下载第三方技能,而是以 Anthropic 官方在 GitHub 开放的 Agent Skills 仓库为灵感源泉,自行手写符合自身需求的安全技能。

在自定义技能体系中,Marina 重点解析了名为 `superpowers` 的工作流套件。该套件高度集成了贯穿研发全周期的 14 项专项技能,横跨四个核心阶段:

| 研发阶段 | 包含的核心技能与机制 | 解决的痛点与实际运作方式 | |:--- |:--- |:--- | | **规划阶段 (Planning)** | `brainstorm`、`writing plans` | 将任务拆解为可测试步骤;自动生成独立 HTML 页面展示交互选项,减轻开发者在终端面对海量纯文本代码时的视觉疲劳 | | **实现阶段 (Implementation)** | `TDD`(测试驱动开发)、`systematic debugging` | 严格按照单测先行与系统化排查步骤编写业务逻辑 | | **扩展阶段 (Scaling)** | `sub agent-driven development`、Git Worktrees | 为不同子 Agent 分配独立上下文窗口并发攻坚,通过工作树物理隔离代码变更 | | **质量阶段 (Quality)** | `verification before completion`、PR 代码评审辅助 | 抑制 Agent 急于草率宣布完工的倾向,强制执行全量测试、Lint 与类型检查;协助准备发版评审及研判 PR 意见 |

Marina 特别强调了质量把关阶段中 `verification before completion` 的防线作用:“因为 Agent 经常会出于急于结束会话的倾向,轻飘飘地说一句‘我已经做完了’。但只要你触发了这个技能,它就必须老老实实执行全套测试、Lint 检查和类型校验,真刀真枪地验证你是否确实达成了验收标准。”

```mermaid flowchart TD accTitle: Superpowers 头脑风暴与交互界面 accDescr: 展示 brainstorming 技能如何在终端与 HTML 可视化页面之间协同推进技术方案选型。

A["触发 brainstorm 技能"] --> B["在浏览器弹出专用 HTML 交互页面"] B --> C["呈现方案 A 与方案 B 选项组件"] C --> D{"开发者决策操作"} D -->|"页面直接点击"| E["快速勾选 UI 布局与控件选型"] D -->|"返回命令行"| F["在 Terminal 中进行深度追问与多轮迭代"] E --> G["输出最终技术方案 Spec 并拆解为可测试步骤"] F --> G ```

在演示 `brainstorm` 技能时,屏幕上弹出了一个由 Agent 自动构建的专用 HTML 页面。该页面将枯燥的技术选项(如方案 A 与方案 B)直接以按钮和卡片等 UI 控件渲染出来。开发者不仅能在页面上直接点击决策,也可以切换回终端继续深度迭代。面对直观的界面,开发者能立刻反应过来:“哦,不,我不要这种复杂的点击式筛选面板,我更想要几个简单的过滤按钮,因为这里根本不需要那么多筛选项。”这种图形化交互极大地拯救了深陷海量终端日志中的工程师,让架构推演与规格敲定变得直观高效。

[24:04](https://www.youtube.com/watch?v=C37Wag4cuhU&t=1444s) 前端设计技能:打破千篇一律的“AI 塑料感”

Marina Santos Haugen 深入探讨了名为 front-end design 的技能。她指出,AI 生成的代码或界面往往带有一种极其廉价、草率且千篇一律的质感,让人一眼就能看出是机器批量生产的产物。然而,front-end design 技能则会先去理解开发者到底在构建什么、终端用户的核心诉求是什么,进而量身推导出一套完全契合业务场景的设计规范。为了展示差异,Marina 对比了两次下发同一任务时的不同提示词与执行过程:一种是典型的“蛮力直接生成”(brute force),即简单输入指令让模型去实现第一个用户故事(创建主题),结果模型胡乱写了一堆代码就草草宣告完成;另一种方式则是明确要求它先针对美学方向展开头脑风暴,然后再调用 front-end design 技能落地实现。

在第二种流程中,模型会主动打开浏览器并呈现三种不同的视觉风格供选择。由于该项目是一个面向急救医护人员(paramedics)的学习平台,Marina 选择了“临床参考/医学出版物”的严肃风格,并确定了相应的字体搭配。随后,她要求 AI 将这套视觉规范沉淀到设计主题文档中,以便整套系统在后续开发中反复复用。最终对比显示,蛮力生成的界面只是一个极其无趣、毫无美感的黑白 Next.js 页面;而通过规范化流程打造的界面则呈现出仿纸质质感、精致优雅的排版字体,并融入了代表救护车急救人员特征的红白配色方案。

```mermaid flowchart TD accTitle: 前端设计技能的双轨对比流程 accDescr: 对比直接蛮力生成与利用前端设计技能进行规范化生成的两种完全不同的开发路径

subgraph BruteForce["蛮力生成流程"] A1["下达简单指令<br/>'Build User Story 1'"] --> B1["无脑编写代码"] B1 --> C1["生成枯燥黑白 Next.js 页面"] end

subgraph GuidedDesign["前端设计技能流程"] A2["指令要求先行头脑风暴"] --> B2["打开浏览器展示 3 种设计风格"] B2 --> C2["选定临床医学风格并保存 Theme Docs"] C2 --> D2["调用 Front-end Design 技能交付定制化专业 UI"] end ```

- 蛮力生成方式会导致极为草率、千篇一律的通用黑白布局。 - 美学优先流程通过提取救护车(红白色调)与专业医学期刊的纸张质感,实现了高辨识度的业务界面。 - 将确立的设计规范固化在文档中,是保证后续应用各个模块风格统一的关键步骤。

---

[26:27](https://www.youtube.com/watch?v=C37Wag4cuhU&t=1587s) Feature Dev 的七阶段管道与多 Agent 三角验证

除了类似工具箱的 superpowers,Marina 介绍了被称为 feature dev 的七阶段流水线工作流。整个流程从“发现”(Discovery)开始,AI 会梳理需求并生成待办事项清单;紧接着进入“探索”(Exploring)阶段,此时系统会并行启动两到三个不同的 Agent 分头摸排。这种并发机制带来了极大的可靠性:“And that's very good because when you have many different agents at the same time, if they come back with the same findings, then you are triangulating data. So, you can be very sure that it's a good idea or it's a nice bug they found or whatever.” 多个 Agent 得出的交集结论让开发者能够确信这是真正的代码缺陷或正确方案。

第三阶段是“澄清”(Clarification),这也是流水线中的第一个强制硬停顿点(hard stop)。在此阶段,模型如果得不到人类的输入确认就绝不会擅自推进,而是会主动向开发者抛出澄清问题。确认之后进入“架构”(Architecture)阶段,AI 会主动给出多达三种备选架构方案供开发者权衡利弊,而非武断地推行单一方案。随后进入“实现”(Implementation)阶段,由于开发者全程参与并对齐了心智模型,此时便可以完全放手让 AI 编写代码。在代码落地后,系统会进入“评审”(Review)阶段,再次并行调度三个 Agent,分别从简洁度、正确性以及是否遵循仓库现有规范这三个维度进行严苛审查,最后完成“收尾”(Wrap-up)。

```mermaid flowchart LR accTitle: Feature Dev 七阶段工作流 accDescr: 展示从需求发现到收尾的完整七阶段 Pipeline,标明了并发 Agent 验证和人类介入硬停顿点

subgraph Prep["前期探索"] S1["1. 需求发现<br/>(Discovery)"] --> S2["2. 并发探索<br/>(2-3 个 Agent)"] S2 --> S3{"3. 澄清阶段<br/>(强制硬停顿)"} end

subgraph Exec["架构与落地"] S3 -->|"人类确认"| S4["4. 架构设计<br/>(提供 3 种方案)"] S4 --> S5["5. 自动实现<br/>(Implementation)"] end

subgraph Quality["质量与收尾"] S5 --> S6["6. 并发评审<br/>(简洁度/正确性/代码规范)"] S6 --> S7["7. 项目收尾<br/>(Wrap-up)"] end ```

- 探索阶段派生 2 到 3 个 Agent 实现数据三角校验,大幅降低幻觉。 - 澄清阶段设置硬性阻断,杜绝偏离用户原意盲目构建。 - 架构阶段一次性输出最多 3 种技术方案,保留开发者的决策权与技术选型权。 - 评审阶段多 Agent 联合巡检,严抓代码简洁度、正确性与已有工程规范。

---

[28:23](https://www.youtube.com/watch?v=C37Wag4cuhU&t=1703s) 代码评审自动化与文档驱动原型构建

在代码审查层面,Marina 对比了两类常见的评审技能。一类是直接集成在 GitHub 流程中的自动化机器人,她的同事曾因 Bot 在未打招呼的情况下直接给 Pull Request(PR)发表评论而大吃一惊。这类技能内嵌了强约束机制,其触发规则明确写明只有当代码质量评分超过 80% 时才会向 PR 发送评论,且完全不可定制,通常用于对远程已有 PR 的快速评估。另一类则是 Marina 本地开发收尾时最常调用的定制化评审工具,它不会去干扰远程仓库,而是在本地终端中直接吐出结构化总结。开发者可以自由定制检查范围,比如仅仅让它扫描代码注释、排查是否有该清理的冗余调试信息等,同样在底层运用了多 Agent 协作。

接着,Marina 介绍了涵盖多格式读取分析、设计、通信等维度的文档技能集(Documentation Skills)。该套件不仅存在于 CLI 中,也支持在 Claude 桌面端应用中运行,其中内嵌了提供 10 种现成主题的 Theme Factory 等扩展模块。Marina 列举了一个令人头疼的真实项目案例:她拿到了一份包含 56 列、超过 370 行的复杂 Excel 文档,任务是提取其中第 16 行和第 29 行涉及的全部表单字段,将必填项(M)、条件必填项(CM)及选填项完整映射出来,以此构建交互向导组件。更棘手的是,若某处标注了 code,则意味着该枚举值并未写在文档中,必须深入 GitHub 上的 eForm SDK 源码里逐一检索。

借助文档技能,AI 迅速消化了这张庞大的表格并完成了逻辑映射。Marina 更进一步,利用 AI 敏捷的原型构建能力,将其直接封装成一个可点击交互的原型应用并快速部署给产品经理(PM)试玩。产品经理不仅能在页面上直观查看第 16 种电子表单包含哪些必填字段,还能展开来自 SDK 的 code 下拉枚举选项,以此判定哪些字段需要放入正式设计稿,AI 甚至还主动提出了表单信息分组的优化建议。

- GitHub PR 评审技能规则极为严厉,只有质量评分突破 80% 才会向 PR 回写评论。 - 本地审查技能支持极高自由度,可指定只扫描代码注释清理或特定边界情况。 - 面对 56 列 × 370+ 行的超大复杂电子表格,文档技能结合源码 SDK 检索,避免了漫长枯燥的人工排查。 - 快速生成并部署高保真交互原型,让产品经理以最小沟通成本完成表单业务规则的定稿与确认。

---

[32:55](https://www.youtube.com/watch?v=C37Wag4cuhU&t=1975s) 安全审计、自动化推荐与自定义扩展技能

安全与工程自动化同样可以通过专用技能实现无缝集成。Marina 演示了安全审查(Security Review)技能的用法:开发者既可以显式手动触发该命令,也可以将其挂载到 CI/CD 流水线中持续运行。在现场展示的扫描案例中,系统快速扫描了 12 个代码文件,按高危(High)、中危(Medium)、低危(Low)的严重等级分类列出潜在漏洞,并附带针对性的代码修复建议。与此同时,利用 Claude 自动化推荐器(Claude Automation Recommender),AI 能够主动分析开发者的操作习惯并建议搭建自动化流程。例如,它可以建议添加前置工具拦截钩子(pre-tool hook),阻止 Claude 擅自篡改敏感的 `.env` 配置文件;它还能分析开发者过往的历史对话记录,指出某些操作一直被人工全盘批准,从而提议将这些重复确认沉淀为永久执行规则。

最后,Marina 重点强调了自定义技能(Custom Skills)的广阔前景,直言这完全取决于开发者的想象力。在自己的实践中,她构建了一整套极具工程价值的专属技能矩阵: - **测试实现技能**:内置测试账号数据、整个系统的应用架构图以及路由表。只需粘贴一个 Linear Issue 链接或 GitHub PR 地址,AI 就会主动进入系统核验验收条件(Acceptance Criteria)是否真正被满足。 - **演示录制技能**:与自动化测试结合,当测试验证通过后,自动截屏录制成 GIF 或操作视频,连同功能更新描述一并自动推送到 Slack 频道。 - **教学型 PR 审查(Pedagogical PR Review)**:不仅给出改动建议,更以教学形式深入解释代码变更背后的逻辑原理。 - **依赖升级技能**:在面临复杂的第三方依赖升级时,主动调用 Context7 MCP 服务器精准拉取上游最新的官方技术文档,杜绝因过时经验引发的兼容性故障。

正如 Marina 所言,随心所欲搭建技能的同时,按照严密规范去正确编写技能结构才是释放 Agent 效能的关键前提。

[035:45] 自定义技能的创建、质量检查与 UI 组件库结合

在开发各种 Agentic AI 流程时,Marina Santos Haugen 介绍了如何编写并验证专门的“技能”(skills)。用户可以通过技能创建器(Skill Creator)来搭建技能的整体骨架、配置变量并自动生成适宜的描述触发词(description trigger)。随后,还可以使用编写技能检查器(Writing Skills)对其进行全面测试与质量把关,AI 会直接给出具体的修改与改进建议,确保整个触发和执行链路严密可靠。

为了展示技能的实际应用,Marina 分享了她在开发一个 CRM 系统时遇到的痛点。当时,通用 AI 总是给出不符合团队设计规范的 UI 组件,令人非常苦恼。为此,她专门构建了一套 UI 设计技能:首先重新对齐设计主题,接着并行检索开放社区平台 21st.dev 上的开源 UI 组件以获取灵感。由于 21st.dev 属于开放社区,任何人都可以在上面提交代码,代码安全性难以保障,因此技能的第三步便是在接收到 MCP(Model Context Protocol)服务的输出后自动进行安全扫描,排查 React Top 10 安全漏洞;第四步则是为该场景综合提炼出 1 到 4 种设计备选方案,并将它们沉淀到调研文档中。作为一个没有专职 UI 设计师的单人项目,Marina 通过这套机制在对话中快速预览各色组件(例如彩虹风格的空白状态组件),微调样式后直接取用代码,成功扮演了自己的全栈设计师。

```mermaid flowchart LR accTitle: UI组件生成与安全检查流程 accDescr: 展示从检索开源组件到扫描漏洞并生成备选方案的四步流程 subgraph UI_Pipeline["UI 设计技能处理链路"] A["步骤 1: 规范对齐<br/>Redesign Theme"] --> B["步骤 2: 并行灵感检索<br/>21st.dev MCP Server"] B --> C["步骤 3: 安全合规扫描<br/>React Top 10 漏洞排查"] C --> D["步骤 4: 方案提炼<br/>输出 1-4 种备选方案"] end ```

---

[037:59] 教学型 PR 审查与本地容器化渗透测试

Agentic AI 在提升编码速度的同时,往往会生成体量惊人的 Pull Request,给代码审查带来沉重的心智负担。在加入一个新项目、对底层代码库尚不熟悉时,Marina 常常感到难以消化庞大的 PR。为此,她开发了一款“教学型 PR 审查技能”(Pedagogical PR Review Skill),让每一次 PR 审查都转变成一次循序渐进的学习过程。在现场展示中,一个 PR 涉及多达 90 个文件,删除了 41,000 行代码,同时交付了 4 个不同的工单。针对这种巨型 PR,该技能首先输出全局概览,甚至绘制 ASCII 架构图辅助理解,随后将审查切分为例如 13 个具体的逻辑步骤。AI 会逐个文件或按业务领域详细讲解改动意图,并在行文中实时指出潜在的改进点加入底部的待办清单,供开发者最后逐项验证是否需要向 GitHub 提交 Review 意见。

对于没有专业安全背景的全栈独立开发者,AI 还可以作为低成本的安全测试助理。Marina 利用集成 Kali Linux 的 MCP 工具箱,在本地 Docker 容器内构建了自动渗透测试技能。该工具提供了 11 种安全扫描工具,涵盖暴露端口扫描、Web 漏洞排查、目录暴力破解、SQL 注入测试、针对 URL(如 `/admin`)的爆破字典生成,以及 Hydra、John the Ripper 密码破解工具等。只需将 AI 放行在本地 Docker 环境中,它就会自动对刚写好的系统展开攻击模拟,并生成漏洞整改清单。不过,Marina 特别提醒大家留意供应链安全:“The first time I did this and I asked Claude like, 'Okay, I want to try to use Kali,' it actually went ahead and found the MCP server from a random guy on GitHub first and not the official Kali. So be aware.” 开发者必须保持警惕并时刻复核工具来源。

- **教学型 PR 审查的输出步骤**: - 生成高维上下文总结与 ASCII 逻辑图。 - 将大体量 PR 拆分为若干个逐步审查阶段(如 13 步)。 - 按业务领域或文件逐段讲解实现逻辑,边走边记录待办问题项。 - 引导审查者统一回溯发现点,决定是否在 PR 中留评。 - **本地 Kali MCP 测试包含的工具形态**:端口扫描器、Web 漏洞探测、SQL 注入检测器、目录爆破、密码破译器(Hydra、John the Ripper)等。

---

[041:56] 多态工作流实战:从用户反馈到 PRD 需求定义

进入端到端开发实战,Marina 详细拆解了她日常所贯彻的“多态工作流”(Polymorphic Mindset Workflow)。该流程划分为明确的四大阶段:首先是理解与调研(Understanding & Research,涵盖头脑风暴、设计先行协作、UI 灵感调研及 Claude Desktop / Cowork 工具应用);其次是规划(Plan,进行 Issue 拆解和计划撰写);接着是编码(Code,依托 Sub-agent、Worktrees 并行执行);最后是验证(Verify)。针对实际场景,她举了一个 CRM 系统的真实案例:用户提交了一个 Issue,建议在销售线索看板(Leads Board)上方增加一个“时间周期筛选器”(Period Filter),并附带了一张示意截图。

面对用户的建议,Marina 强调了产品思维的核心原则:“And as we know, never listen to solution suggestions from users. First, understand the problem and the need.” 为了探究用户背后的真实痛点,她戴上“产品经理”的帽子,在 Claude Desktop 中借助相关插件获取法务、财务、数据分析、工程和产品等多领域的协同上下文,并触发规范编写技能。技能连接到 GitHub 获取代码库上下文后,自动生成了一份结构详尽的 PRD(产品需求文档),清晰界定了业务痛点、目标、非目标(Non-goals)、拆解后的 User Stories、边界情况、功能要求以及按优先级排列的验收标准(Acceptance Criteria)。尽管为一个小小的筛选器编写完整 PRD 略显小题大做,但它清晰地展示了如何将模糊的用户诉求具象化为标准产品规格。

---

[044:57] Issue 细化、原型制作与“设计先行”架构对话

在完成需求挖掘后,流程进入到规划与方案设计阶段(The "How")。Marina 利用 GitHub MCP 服务,自动将 PRD 里的规范、任务列表与验收标准同步为 GitHub Issue 下方的结构化评论,并自动衍生拆解出多个子任务工单。这种做法能确保随后接管任务的编码 Sub-agent 能够自包含地获取所有上下文信息,杜绝幻觉和脱轨。

在确立了为什么做(Why)和做什么(What)之后,必须解决怎么做(How)——包括视觉设计原型与技术架构决策: 1. **视觉原型与业务对齐**:通过让 Claude 读取前端代码库,AI 生成了 Leads 看板的高保真复刻原型。结合公司使用 OKR 以及按半年周期考核的业务背景,AI 指出在全局放筛选器并不合理,反而提议直接将筛选器内置在“已完成”(Færdig)泳道内。Marina 将截屏直接贴入 GitHub Issue,为编码 Agent 提供了直观的设计基准。 2. **“设计先行”白板架构协作**:在技术决策层面,为了确保人类与 AI 拥有完全同步的心智模型,Marina 参考 Rahul Garg 的博客构建了“设计先行协作”(Design-First Collaboration)技能。该技能模拟了面对面在白板前画图讨论的结构化互动,遵循“分层推进”原则,在进入编码前逐级对齐: - **功能能力(Capabilities)**:这个功能究竟需要具备哪些核心能力? - **组件划分(Components)**:系统需要哪些架构和代码层面的组件? - 开发者可以在推演的每一层随时叫停、纠偏并确认,真正实现与 AI Agent 在进入代码实现前达成严密的心智对齐。

[47:30](https://www.youtube.com/watch?v=C37Wag4cuhU&t=2850s) 分层架构评审与架构决策记录(ADR)

在架构规划中,明确各组件之间的交互方式(即各个部分如何通信)以及契约规范(包括接口定义、数据模式等)至关重要。Marina Santos Haugen 指出,规划阶段是发现错误和对齐偏差最具成本效益的黄金节点:“So, this is kind of the cheapest moment to find errors and find misalignments because you are in the planning phase and it's taking you through like an overview and not like these huge PRs with 8,000 lines of code, then it's very expensive to find misalignments.” 相比于面对包含 8,000 行代码的庞大 Pull Request 时极高的排错代价,在架构初期以全景视角纠偏显得轻量且高效。

在实际操作中,规划 Skill(技能)采用了层层递进的评审门禁(Review Gate)。当流程推进到第一层能力定义(Level 1 capabilities)时会自动暂停,只有当开发者确认同意后,才会进入第二层的组件划分(Level 2 components)。这种逐层卡点的机制能确保所有设计偏差在源头被捕获。流程经过第三层交互定义和第四层契约设计后,最终会生成一份单页的架构决策记录(ADR, Architectural Decision Record)。Marina 将这份精简的单页文档作为代码库的第一次提交(First commit),它清晰记录了评估过哪些方案、最终为何选型,团队同事无需阅读大量代码即可迅速理解设计思路并在第一时间反馈潜在系统风险。

```mermaid flowchart TD accTitle: 四层架构规划与 ADR 流程 accDescr: 展示从能力规划、组件设计到最终生成 ADR 的分层把控流程。

subgraph Planning["规划与分层门禁 (Planning Gates)"] L1["第一层:核心能力 (Capabilities)"] L2["第二层:系统组件 (Components)"] L3["第三层:组件交互 (Interactions)"] L4["第四层:接口契约 (Contracts)"] end

L1 -->|"通过评审门禁"| L2 L2 -->|"通过评审门禁"| L3 L3 -->|"通过评审门禁"| L4 L4 --> ADR["生成架构决策记录 (ADR 单页文档)"] ADR --> Commit["首次代码提交 (First Commit) 并交由团队评审"] ```

---

[49:00](https://www.youtube.com/watch?v=C37Wag4cuhU&t=2940s) 多 Agent 团队并行协作与自动化验收测试

一旦 ADR 确立,所有 Agent 就拥有了完整的架构上下文,此时便可以放手让其并行推进开发。系统会根据 GitHub Issue 自动拆解任务,并建议如何分配工作量。在具体的任务分配中,系统会规划后端任务(例如处理 Issue #89 和 #90)并指派给后端 Agent,同时衍生出前端 Agent。Marina 强调,开发者在交互时始终只与团队主管(Team Lead)对接,由其负责在底层编排这支并行的智能体编队。随后测试 Agent 进场编写测试用例,全流程持续运行直至所有自动化测试全部变绿。这项能力在尝试时曾是名为“编排 Agent 团队”(Orchestrating a team of agents)的测试版功能。

然而,Marina 提醒切勿指望多 Agent 的首次产出就能做到完美无瑕。在实际看到运行中的界面前,开发者很难预判所有设计的合理性。例如,系统最初在界面顶部放置了一个数据筛选组件,视觉上极度拥挤;经过数轮迭代调整,该筛选器被移至下方,为核心统计指标留出了充足的空间。在功能验证层面,测试实现 Skill 会自动拉取包含验收标准(Acceptance Criteria)的 GitHub Issue,并借助自动化控制的 Chrome 浏览器逐条点击和验证功能,全程无需人工干预。测试完成后,Agent 会将详细的测试发现汇总回写至 GitHub 的父级 Issue 中,形成清晰的闭环记录。

- **团队角色拆分**:开发者只与核心 Team Lead 交互,后端 Agent、前端 Agent 与测试 Agent 在底层并行作业。 - **任务绑定机制**:直接与 GitHub Issue(如 #89、#90)关联,明确分配子任务清单。 - **动态闭环反馈**:无头或受控 Chrome 模拟人工交互验证验收条件,跑通后自动更新 Issue 状态。

---

[51:24](https://www.youtube.com/watch?v=C37Wag4cuhU&t=3084s) 验证阶段的多维度校验策略与外部 Judge

进入验证(Verify)阶段后,工作流的潜力和挑战都达到了顶峰。Marina 坦言自己早期完全依靠人工验证,效率极低,直到深入体会到官方实践的重要性。她特别援引了 Anthropic 的第一条官方最佳实践指南:“Anthropic's official best practice tip number one is actually like, without verification, Claude may produce plausible looking code that doesn't actually work.” 为此,建立严密的多层次验证流水线是保障交付质量的核心前提。

Marina 在该阶段整合了多项策略: 1. **编写与评审分离**:绝不在同一个 Agent 会话中同时完成写代码与代码审查,通常借助 PR Review Toolkit 启动独立的评审角色。 2. **完成前验证(Verification before completion)**:严格遵循“无证据不主张成功”的原则,必须跑通单元测试与代码 Lint 检查。 3. **引入外部裁判(External Judge)**:采用 Google 的 Gemini Flash 模型对 Claude 生成的 UI 界面和幻灯片进行交叉评估。通过 OpenRouter 的单一 API Key,她调用多模型对演讲幻灯片导出的 PNG 图片按 8 个维度进行打分。当某个界面的“视觉精细度(Visual Polish)”得分不佳时,系统会自动提供修改建议,甚至主动询问是否调用像素风头脑风暴工具生成新的插图。 4. **组件环境隔离与视觉检查**:利用 Playwright、Agentic Chrome 浏览器,以及 React Cosmos 和 Storybook 等组件文档库进行纯净的 UI 隔离预览。这种方式不仅能让开发者在新接入代码库时快速点击浏览各类组件变体,还会倒逼代码实现更干净、解耦的高内聚组件设计。

---

[55:40](https://www.youtube.com/watch?v=C37Wag4cuhU&t=3340s) 全自主验证工作流与 Commit Dance 技能

在面对极其紧迫的交付截止日期时,为了在不牺牲质量的前提下大幅提速,Marina 开发了一套全自主工作流技能(Autonomous flow skill)。她在探索与规划阶段深度参与并拍板决策,在编码阶段放手让 Agent 执行,而在原本最为耗时的人工验证阶段实现了全自动串联。该流程首先执行完成前自检,随后调用 6 个专业 Agent 开展全方位代码审查并就地修复缺陷,接着由受控浏览器在无人值守状态下完成验收标准的端到端测试。

```mermaid flowchart TD accTitle: 全自主验证与 Commit Dance 流程 accDescr: 展示从自检、多 Agent 代码审查、浏览器测试到 Commit 重整和 PR 自动响应的自动化闭环。

A["代码完成自检 (Verify Before Completion)"] --> B["6 个 Agent 综合代码评审并自动修复"] B --> C["无人值守浏览器端到端测试 (验收标准验证)"] C --> D["执行 Commit Dance (重整零碎历史为整洁叙事)"] D --> E["创建 Pull Request 并推送至 GitHub"] E --> F["GitHub 代码审查 Bot 提出评论"] F --> G["Agent 自动读取 Bot 评审并修复回复"] G --> H["人类工程师最终介入审查 (PR 仍处于 WIP 阶段)"] ```

由于多 Agent 在长期探索与开发中会产生多达 30 余个极其零碎的提交历史,直接人工 Review 负担极重。针对这一痛点,Marina 设计了一个名为“Commit Dance”的 Skill:它将所有临时提交归集到缓存文件中,重新聚合成符合教学认知逻辑的代码块,梳理出脉络清晰的提交叙事。在将整洁的 PR 推送到 GitHub 后,CI 中的自动代码审查 Bot 会留下 Review 意见,而 Agent 则会自动读取这些评审意见、修复问题并回帖互动。只有在这一系列自动化关卡全部通过后,人类工程师才会介入最终把关。在此期间,她还使用 Conductor 客户端并发运行多个 Claude 智能体,例如在制作本次演示文稿时,她通过并行会话处理校对、多语言翻译及版本更新,短时间内高质量合并了多达 136 个专项 PR,将个人交付产能推向了全新的高度。

[59:09](https://www.youtube.com/watch?v=C37Wag4cuhU&t=3549s) 现代终端工作流与 Git Worktree 环境隔离

Marina Santos Haugen 介绍了她如何利用现代终端工具 Warp 来打造极速的一键式开发环境。只需单次点击,Warp 就能通过预设的标签页配置(Tab configurations)拉起一整套完整的开发上下文:包含任务 Backlog、可访问磁盘上 BFF(Backend-for-Frontend)日志的云端会话、充当团队身份认证提供商(Identity Provider)的网络隧道、用于功能测试的 Web 前端应用,以及用于浏览和审查各个 UI 组件的 Cosmos 环境。这种开箱即用的配置让她无需每次手动敲击繁琐命令,就能迅速准备好测试环境。

更进一步,Marina 结合了 Git Worktree 来并行开发不同的功能分支。在传统的开发流程中,同时在本地跑多个功能分支往往意味着需要记住各个端口号,极易引发混淆和端口冲突。为了解决这一痛点,她引入了 Vercel 的 Portless 工具,让每个分支和功能在启动后端、前端与 Cosmos 时都能绑定到专属的独立 URL,而不是杂乱的本地端口号(如 localhost:3000、localhost:8080 等)。

```mermaid flowchart TD accTitle: Git Worktree 与 Portless 多环境并行架构 accDescr: 展示主分支与多个功能分支如何通过 Worktree 与 Portless 映射到专属 URL,实现完全隔离的开发测试环境。

subgraph DevEnvironment["主开发环境 (Dev Branch)"] D1["Dev Branch"] --> D2["PR 审查 / 线上 Bug 排查"] end

subgraph WorktreeInstances["Git Worktrees (并行分支)"] W1["Feature 1 Branch"] -->|"Portless 动态分配"| U1["专属 URL 1 (脑暴/高频决策)"] W2["Feature 2 Branch"] -->|"Portless 动态分配"| U2["专属 URL 2 (ADR 阶段/等待评审)"] W3["Feature 3 Branch"] -->|"Portless 动态分配"| U3["专属 URL 3 (子 Agent 执行/低干预)"] end

Terminal["Warp 现代化终端配置"] -.-> DevEnvironment Terminal -.-> WorktreeInstances ```

- Warp 终端预设一键拉起五大模块:任务 Backlog、BFF 磁盘日志云会话、身份认证隧道(War Tunnel)、Web 应用程序、Cosmos UI 组件库。 - “So I don't need to kind of remember all the ports where I'm testing what because I see, okay, feature one is on this URL, so I can test that.” Marina 借此展示了通过固定域名识别测试实例的便利性。 - “And I do this with portless, so I warmly recommend portless, it's very nice.” 她热烈推荐了这款由 Vercel 出品、能按功能分配独立 URL 的轻量级本地代理工具。

---

[01:00:29](https://www.youtube.com/watch?v=C37Wag4cuhU&t=3629s) 多任务并行:四组标签页驱动的 Agent 协作日常

通过分栏和标签组,Marina 展示了她在日常工作中如何同时推进处于不同生命周期的四个工作流。第一个标签组始终停留在主开发分支(Dev),她习惯一直保持开启,专门用于快速 Review 同事的 PR、复现或排查突发 Bug,以及检查本地环境是否有配置异常。

紧随其后的三个标签组则分别对应不同特性的推进阶段: - **粉色标签组(Feature 1):** 处于头脑风暴与原型探索阶段,这需要极高的认知投入。Marina 需要在此阶段频繁做决策、审批 Agent 提出的多种技术方案,并实时在浏览器中查看生成的前端 HTML 页面效果。 - **第二标签组(Feature 2):** 已进入架构决策记录(ADR, Architecture Decision Record)阶段,相应的 PR 已推送到 GitHub 等待同事评审,当前处于只读或等待状态,无需投入过多操作。 - **第三标签组(Feature 3):** 已推进至子 Agent(Sub-agent)全自动化实现阶段。由于前期在探索与规划(Explore and Planning)阶段已经与 Agent 进行了非常严密的推演,进入此阶段后只需极低的人工监督(Low-level oversight)。

对于最后这种全自动实施的阶段,Marina 强调它可以脱离人工监控独立跑上半天甚至一整天,她只需在执行完毕后介入进行成果验收即可。

---

[01:01:48](https://www.youtube.com/watch?v=C37Wag4cuhU&t=3708s) 核心总结:多态思维的五大关键启示与闭幕致谢

在演讲结尾,Marina 提炼并重申了在 AI Agent 时代保持竞争力的五条核心法则,系统回应了为何“多态思维(Polymorphic Mindset)”至关重要:

1. **AI 仅是画笔,核心在人:** “AI is just a tool, nothing more. And what makes it magical is your brain combined with it.” 她以绘画作比:给不同的人同样的调色板、颜料和画笔,有人只能画出火柴人,而有人能画出毕加索;这既是工程也是艺术,工具本身并无魔力,工程师的大脑与其互动才是关键。 2. **工作流即产品:** “The workflow is the product. Every finished task that you get is just a test that your workflow works.” 交付的具体任务只是验证工作流设计是否健康的试金石。 3. **工程师对所有生成代码承担全责:** “Don't like blame the AI later. It's like your responsibility, your process.” 永远不要在出问题时推卸责任给 AI,代码的归属权与最终责任永远在工程师自身。 4. **多态适应力是未来核心壁垒:** “And the key skill to the future, I think, is adaptive capability, being polymorph, the ability to learn and change context.” 在不同角色、上下文与抽象层级之间快速切换的能力,是面向未来的关键技能。 5. **没有验证机制的代码毫无价值:** “And finally, without verification, Claude produces plausible looking code that doesn't actually work.” 若缺乏严谨的自动化验证和审查闭环,LLM(如 Claude)只会批量制造“看起来合理但根本无法运行”的代码幻觉。

最后,Marina 感谢了现场观众,展示了用于收集反馈和个人 LinkedIn 的二维码,并介绍 Kodemaker 现已上线为期两天的深度实战培训课程。她向现场听众分享了专属优惠码 `NDCi`,在观众的热烈掌声中结束了本次演讲。

## Notable quotes > [01:01:48](https://www.youtube.com/watch?v=C37Wag4cuhU&t=3708s) The workflow is the product. Every finished task that you get is just a test that your workflow works. — Marina Santos Haugen

> [03:22](https://www.youtube.com/watch?v=C37Wag4cuhU&t=202s) Value shifts from executing tasks to shaping systems. — Marina Santos Haugen

> [01:01:48](https://www.youtube.com/watch?v=C37Wag4cuhU&t=3708s) And the key skill to the future, I think, is adaptive capability, being polymorph, the ability to learn and change context. — Marina Santos Haugen

> [00:06](https://www.youtube.com/watch?v=C37Wag4cuhU&t=6s) AI gives us the ability to shift shape when the context demands it. — Marina Santos Haugen

> [01:01:48](https://www.youtube.com/watch?v=C37Wag4cuhU&t=3708s) AI is just a tool, nothing more. And what makes it magical is your brain combined with it. — Marina Santos Haugen

## Mentioned Marina Santos Haugen, Kodemaker, 挪威科技大学 (NTNU), DNB, 麦肯锡 (McKinsey), 波士顿咨询 (BCG), 宝洁 (P&G), Anthropic, Claude, Claude Code, Claude Desktop, Model Context Protocol (MCP), Figma, Miro, Linear, Jira, GitHub, Semgrep, Playwright, Context 7, Notion, Next.js, ChatGPT, React, Vue, 21st.dev, Kali Linux, Docker, Hydra, John the Ripper, Rahul Garg, Gemini Flash, Google, OpenRouter, React Cosmos, Storybook, Conductor, Warp, Portless, Vercel, Slack

## Video description This talk was recorded at NDC AI in Oslo, Norway. #ndcai #ndcconferences #developer #softwaredeveloper

Attend the next NDC conference near you: https://ndcconferences.com https://ndc-ai.com/

Subscribe to our YouTube channel and learn every day: / @NDC

Follow our Social Media!

https://www.facebook.com/ndcconferences https://twitter.com/NDC_Conferences https://www.instagram.com/ndc_conferences/

#ai #aiagents

Over the past year, I’ve worked across three projects diving deep into agentic AI workflows – from building a full CRM in three weeks on my own to collaborating in AI-driven teams. A clear pattern emerged: how much more we can do as developers when tools let us shift roles as the work demands. I call this a Polymorphic Mindset.

In this talk, I’ll share practical agentic AI workflows, relevant research on why this way of working matters, and what happens when you take it further with agent teams working in parallel.

How do we preserve the mental model when AI generates thousands of lines of code in seconds?

Expect concrete examples throughout, set in a retro pixel-art cyberpunk world spanning ocean floors and desert landscapes.

[Source](https://www.youtube.com/watch?v=C37Wag4cuhU)

中文简报

多态思维——Marina Santos Haugen——NDC AI 2026 Haugen提出了“多态思维”,认为现代开发者必须借助智能体AI工作流,在产品管理、UI设计和工程角色之间灵活转变。她强调工程效能来自于规范的系统而非盲目的自主性,并详细介绍了利用模型上下文协议(MCP)服务器、模块化Markdown技能以及严格验证测试框架的具体架构,以防止出现灾难性但看似合理的故障。本次演讲展示了多种实用流水线,包括多智能体代码审查、容器化渗透测试、Excel驱动的快速原型设计以及自动化提交聚类。最终,她强调开发者仍需对生产系统承担全部责任,并应将工程工作流本身视为核心交付成果。 麦肯锡和波士顿咨询公司的行业研究显示,超过85%的企业仍停留在基础的AI任务委派阶段,40%的智能体项目因流程和组织设计不善而失败,而非模型本身的缺陷。 (4:53) 在软件各阶段中,错误放大呈指数级递增:单个语法错误只会产生一行劣质代码,而未经验证的规范提示词则可能级联引发数万行有缺陷的代码。 (7:29) Anthropic的工程指导建议构建模块化声明式技能,而非单体智能体,从而建立一个AI计算技术栈:基础模型充当处理器,智能体客户端充当操作系统,自定义技能充当业务应用程序。 (17:27) 为了应对模型生成看似合理却无法实际执行的代码,生产流水线必须实施严格的验证测试框架,将编写者智能体与审查者智能体分离,并使用自动化代码检查工具、测试用例和外部评估器。 (51:24)

精炼阅读摘要

Marina Santos Haugen 指出,智能体 AI(Agentic AI)的核心价值不在于工具本身,而在于围绕其构建的端到端工作流;开发者应具备多态思维(Polymorphic Mindset),跨越产品经理、设计师和工程师的角色边界,并将工程注意力从单纯的代码编写向上游的需求定义、架构规划与严格的多层验证转移。 工作流重构与错误向上游放大机制 (4:53) Haugen 援引麦肯锡与波士顿咨询公司(BCG)的研究指出,超过 85% 的企业仍停留在初级的任务辅助与信息检索阶段,超过 40% 的智能体 AI 项目因流程设计和组织架构缺陷而失败,而非底层模型的算力不足。企业当前在 AI 技术的支出中,约 93% 投向了基础设施,仅 7% 用于人员培训与运营模式革新。如果缺乏审慎的工作流重构,孤立使用 AI 甚至会导致团队内部协作退化。 同时,Haugen 提出了“错误放大阶梯”模型,警示开发者不可沉溺于 AI 生成海量代码的虚假速度感。在她提出的模型中,1 行语法错误只产生 1 行坏代码,但 1 行不准确的规格说明或业务理解会导致数万行无效代码,而核心系统提示词或基础设施的偏差更会在组织内放大为数十万行缺陷代码。开发者对最终合并的代码承担绝对责任,因此认知精力必须从下游的编码实现大幅前置到上游的系统规划。 模块化技能与模型上下文协议 (17:27) 引用 Anthropic 工程师在 2025 年末 AI Engineer 大会上的建议,Haugen 主张放弃构建单体智能体(Agents),转向构建轻量化、专门化的技能(Skills)。她将 AI 体系比作计算机架构:基础模型等同于通用算力处理器,且能力正在迅速同质化;智能体客户端(如 Claude Code)充当操作系统;而承载独特业务逻辑、规则约束和工作流的技能与插件,才是真正创造差异化价值的应用程序层。 在此架构中,模型上下文协议(MCP)充当了 AI 生态系统的通用接口标准(类似 USB-C),使终端智能体能够无缝对接 Figma、Miro、Linear、Jira 以及 Semgrep 安全扫描工具。针对基础模型训练截断带来的知识时效性瓶颈,通过 Context7 等文档类 MCP 能够实时获取前端依赖库的最新变更。此外,开发者需通过 CLAUDE.md 的持续动态维护(如利用评估工具评分和修正)、上下文窗口管理指令(如 /compact 与 /clear)以及权限管控,保持模型推理质量并消除频繁确认弹窗的干扰。 前置需求拆解与四层架构决策 (26:27) 为避免 AI 在无约束状态下生成偏离业务目标的无用工程,Haugen 设计了标准化的七阶段特性开发流水线(feature dev)。该流水线涵盖需求探索、多智能体并行调查、架构对比与多视角审查。其中,“澄清阶段”被设定为强制的人工介入硬停顿(hard stop),要求工程师在 AI 推进前明确边界。面对复杂的原型开发(例如包含 56 列、370 余行且带有外部依赖代码的 Excel 表单规格),可通过文档解析技能直接在浏览器内生成交互式原型,供产品经理直接确认字段组合与交互逻辑。 在系统设计层面,Haugen 采用了受“设计优先协作”启发的四层规划模型,依次逐层推导功能能力(Capabilities)、模块组件(Components)、系统交互(Interactions)和数据契约(Contracts)。每一层均设有评审关卡,确认无误后最终生成一份仅占单页篇幅的架构决策记录(ADR)作为首次提交。这种在规划期纠偏的方式成本极低,有效规避了数千行错误代码导致的长周期返工。 严格闭环验证与多智能体并行编排 (51:24) Haugen 指出,验证环节是目前智能体工作流中被严重低估的杠杆点。鉴于前沿模型极易为了终止会话而输出看似合理却无法实际运行的代码,必须建立多重防御机制:严格分离代码编写者与代码审查者的上下文会话;通过完成前强制校验(verification-before-completion)执行全套自动化测试、类型检查和代码静态分析;并引入第三方多模型仲裁——例如通过 OpenRouter 调用 Google Gemini Flash,针对 UI 界面截图与幻灯片设计进行多维度的客观评分。 为了承载多任务并行开发,Haugen 结合了容器化安全测试(在 Docker 中利用 Kali Linux MCP 进行端口与 SQL 注入扫描)与本地工作区编排工具。通过 Warp 终端、Git worktrees 以及 Portless 域名路由服务,每项处于不同生命周期的特性分支均可在独立的本地 URL 下异步运行。在高度自动化的交付场景中,她开发的“自主流动技能”能够驱动 6 个审查智能体自动修复代码,配合 Playwright 运行浏览器端验收测试,并通过“提交之舞(commit dance)”将散乱的微提交重构成语义清晰的教学型提交历史后再交付人工终审。 Haugen 总结强调,AI 本质上只是画笔,最终成果完全取决于使用者的工程素养。未来开发者的核心竞争力在于多态能力——能够随项目需求在产品规划、系统架构、用户界面设计与自动化测试之间敏捷切换。然而,这种多智能体高度并行的工作模式对个人把控力和注意力管理提出了极高要求,如何在维持上下文对齐的同时避免认知过载,仍是团队在规模化实践中需要持续权衡的挑战。

Detailed notes — zh

## Background 该视频由 YouTube 频道 NDC Conferences 于 2026 年 6 月 26 日发布,记录了在挪威奥斯陆举行的 NDC AI 大会上由全栈顾问 Marina Santos Haugen 带来的主题演讲。演讲围绕作者在过去一年半深入多个智能体 AI(Agentic AI)项目的实战沉淀,系统阐述了开发者如何借助工具随上下文灵活切换角色并塑造全新的多态思维(Polymorphic Mindset)。 ## TL;DR 演讲系统拆解了智能体 AI 时代软件工程范式的深刻变革,指出团队核心价值正从单点任务执行转向全局系统塑造。针对 AI 极易诱发的“错误放大金字塔”与实现陷阱,主讲人提出了“工作流即产品”的工程哲学,并依托模型上下文协议(MCP)、环境变量配置与自定义技能(Skills)构筑起高内聚的开发流水线。通过贯穿产品需求定义、设计先行架构推演、七阶段流水线到多 Agent 并行攻坚与全自动验证闭环的 CRM 实战案例,演讲完整展示了单兵开发者如何借助 Git Worktree、Warp 与 Commit Dance 等工程工具实现高质量、高吞吐的交付跃迁。 ## Atmosphere & style 整场演讲呈现出既专业严谨又幽默自嘲的 Geek 气质,开场以度假期间紧盯屏幕充当“智能体保姆”的趣闻迅速拉近与受众的距离。配合精心定制的赛博朋克复古像素风幻灯片,演讲者将枯燥的工程流水线与架构推演讲得极其生动,既有亲历万行坏代码重构泥潭的切肤之痛,也有成功调度智能体编队并发交付时的从容与振奋。听众在极具节奏感的分步演示中,能真切感受到一位资深工程师对人机协同范式深入骨髓的理性反思与技术热情。 ## Bulletin - [03:22](https://www.youtube.com/watch?v=C37Wag4cuhU&t=202s) 行业调研显示超过85%的企业仍将AI停留于基础助理阶段,且逾40%的智能体项目因流程与组织设计失当而失败,而非底层模型缺陷。 - [07:13](https://www.youtube.com/watch?v=C37Wag4cuhU&t=433s) Marina 提出了“错误放大金字塔”,指出上层系统规范或核心提示词的单行偏差,会在代码层被放大为上万至数十万行的废弃代码灾难。 - [17:26](https://www.youtube.com/watch?v=C37Wag4cuhU&t=1046s) 开发范式正从构建智能体转向沉淀业务“技能”(Skills),通过 MCP 标准化协议与可复用的 Markdown 任务流,实现安全扫描、PR 教学与自动化验收。 - [59:09](https://www.youtube.com/watch?v=C37Wag4cuhU&t=3549s) 借助 Git Worktrees、Portless 独立域名代理与 Warp 预设终端,工程师可实现从需求脑暴到子 Agent 无人值守编码的多环境并行推进。 ## Key takeaways - [00:06](https://www.youtube.com/watch?v=C37Wag4cuhU&t=6s) “多态思维”(Polymorphic Mindset)指开发者借助 AI 突破传统角色边界,在产品经理、架构师、安全工程师与开发者之间动态切换能力形态。 - [03:22](https://www.youtube.com/watch?v=C37Wag4cuhU&t=202s) 团队协作正从“线性任务执行”转向“系统塑造”,过度单兵使用 AI 容易削弱团队面对面研讨与集体智慧。 - [07:13](https://www.youtube.com/watch?v=C37Wag4cuhU&t=433s) 工程师必须对 AI 生成的所有代码承担完全责任,规避一键生成海量代码带来的虚假生产力与盲目重构死循环。 - [10:18](https://www.youtube.com/watch?v=C37Wag4cuhU&t=618s) “工作流即产品”,研发任务的本质是非线性执行循环(探索、规划、编码、验证),需依赖个人配置、技能插件与 MCP 协议作为支撑底座。 - [12:37](https://www.youtube.com/watch?v=C37Wag4cuhU&t=757s) 保持核心基础设施文件 CLAUDE.md 的动态维护,并利用解释模式与上下文压缩指令,是维持高质量模型输出的关键。 - [14:12](https://www.youtube.com/watch?v=C37Wag4cuhU&t=852s) MCP 生态充当即插即用的通用接口,可连接 Figma、Jira、Semgrep 及最新文档库,实现需求抓取到安全漏洞就地修复的闭环。 - [17:26](https://www.youtube.com/watch?v=C37Wag4cuhU&t=1046s) 底层基础模型的能力正在收窄,真正的研发壁垒在于沉淀业务领域专业知识的上层“技能”(Skills)。 - [20:01](https://www.youtube.com/watch?v=C37Wag4cuhU&t=1201s) Superpowers 工作流套件通过 TDD、子 Agent 隔离与弹窗 HTML 交互,有效抑制了 Agent 草率宣布完工的倾向。 - [24:04](https://www.youtube.com/watch?v=C37Wag4cuhU&t=1444s) 前端设计技能通过先行业务头脑风暴与风格固化,打破了通用 AI 生成界面草率廉价的“塑料感”。 - [26:27](https://www.youtube.com/watch?v=C37Wag4cuhU&t=1587s) Feature Dev 采用七阶段流水线,并在探索阶段引入 2 至 3 个 Agent 并发执行以实现数据三角校验。 - [28:23](https://www.youtube.com/watch?v=C37Wag4cuhU&t=1703s) 面对包含数百行数十列的复杂业务表格,文档技能结合源码检索能够迅速输出高保真交互原型辅助需求决策。 - [37:59](https://www.youtube.com/watch?v=C37Wag4cuhU&t=2279s) 通过教学型 PR 审查技能与本地 Kali Docker 渗透测试容器,全栈开发者能够显著降低复杂代码审查与安全防护门槛。 - [41:56](https://www.youtube.com/watch?v=C37Wag4cuhU&t=2516s) 在真实业务中切忌直接听信用户的方案建议,应借助规范技能生成包含明确边界与优先级的 PRD 产品需求文档。 - [47:30](https://www.youtube.com/watch?v=C37Wag4cuhU&t=2850s) 推行“设计先行”的分层架构推演(能力、组件、交互、契约),并将 ADR 决策记录作为首次代码提交以降低对齐成本。 - [51:24](https://www.youtube.com/watch?v=C37Wag4cuhU&t=3084s) 引入 Google Gemini 等外部 Judge 模型对 UI 进行多维度交叉打分,严格遵循“无自动化验证便无可用代码”的铁律。 - [55:40](https://www.youtube.com/watch?v=C37Wag4cuhU&t=3340s) 全自主工作流结合“Commit Dance”技能,能将零散提交重塑为脉络清晰的叙事,并全自动响应 GitHub 审查机器人的反馈。 - [59:09](https://www.youtube.com/watch?v=C37Wag4cuhU&t=3549s) 结合 Git Worktree 与 Portless 端口隔离代理,开发者可以在同一终端中无冲突地并行推进不同成熟度的功能模块。 - [01:01:48](https://www.youtube.com/watch?v=C37Wag4cuhU&t=3708s) 工具本身并无魔法,AI 时代的核心壁垒在于工程师大脑与工具结合后的多态适应力与自动化验证能力。 ## Detailed walkthrough ### [00:06](https://www.youtube.com/watch?v=C37Wag4cuhU&t=6s) 演讲者背景与“多态思维”的概念诞生 来自 Kodemaker 的全栈软件工程师兼顾问 Marina Santos Haugen 登台开启了这场分享。她拥有工业经济与技术管理背景,专注于计算机科学与人工智能,曾就读于挪威科技大学(NTNU)创业学院。在成为独立顾问前,她在挪威最大的金融服务集团 DNB 工作了 7 年,涉足从创新研发、A/B 测试到开放银行 API 平台及网银系统的诸多业务。她的职业履历并非单一传统的线性路径,而是从业务拓展(Business Development)起步,经历实验经理(Experiment Manager),最终通过技能重塑转型为全栈工程师。这种跨界经历让她自诩为一个高度“多态”(Polymorphic)的人。 在过去的一年半里,Marina 深入参与了三个不同项目,全力探索智能体 AI(Agentic AI)与其深度融合的工作流。她亲眼见证了一个极小的团队如何借助这项飞速发展的技术交付超乎寻常的成果。谈及人机协作,行业中常常流传着这样一句话:“AI 不会取代人类,而是会赋予人类超能力。”但现实与理想往往存在戏剧性的温差。Marina 幽默地展示了一张自嘲照片——“野外捕获的智能体开发者”:在一次本该浪漫的法国度假中,她全程盯着从不合拢的笔记本电脑,像个保姆一样寸步不离地照看着自己的 AI 智能体,以至于她对同行丈夫深感歉疚。但这股热情源于技术带来的根本性蜕变:AI 让人类能够根据上下文需要随时“变形”(Shift shape),她将这种认知模式提炼为“多态思维”(Polymorphic Mindset)。 “多态”(Polymorphism)在生物学中指同一种群表现出的多种形态差异,在面向对象编程中则代表同一接口下的不同实现形态——如同定义了一个动物契约(Contract),狗和狼却具备截然不同的行为方式。Marina 将自己比作游戏角色,本体未变,却能通过穿戴不同的披风或帽子切换独特技能:“AI gives us the ability to shift shape when the context demands it.” - **演讲者背景**:Kodemaker 全栈顾问,毕业于 NTNU 创业学院,曾任职 DNB 7 年。 - **多态隐喻**:同一接口、多种实现;如同前一天还是沉浸在三块屏幕代码心流中的开发者,次日便换上盛装亮相凡尔赛宫的面具舞会。 --- ### [03:22](https://www.youtube.com/watch?v=C37Wag4cuhU&t=202s) 重新定义团队角色:从任务执行转向系统塑造 在传统的产研协作中,通常由三种核心角色各司其职:产品经理负责把握方向、梳理待办优先级并对齐利益相关者,确保业务价值落地;开发者专注于代码安全、测试与重构;设计师则聚焦 UI/UX 体验、定量用户研究、旅程地图绘制以及倾听用户心声。然而在智能体 AI 时代,开发者不再被局限在编码角落,而是能戴上多顶帽子承担更广谱的工作。Marina 强调这并不意味着削弱跨职能协作,而是协作模式正在发生范式转移:“Value shifts from executing tasks to shaping systems.” 智能体 AI 让团队协作告别了传统的线性交接与严苛的角色界限,转变为更具集体性的共创体系。 多份行业权威报告印证了这一转变的迫切性与现实困境。麦肯锡在发布的一份关于智能体 AI 落地一年的报告中直言,核心不在于智能体本身,而在于工作流设计;而波士顿咨询(BCG)的研究则揭示,超过 85% 的企业至今仍停留在单纯把 AI 当作任务信息助理的基础委派阶段,根本未能触及重塑组织价值的工作流革新阶段。不仅如此,高达 40% 以上的智能体项目最终走向失败,其根因从来不是底层模型的技术缺陷,而是团队流程设计失当。与此同时,已有 76% 的企业管理者开始将智能体 AI 视作平等的“数字同事”(Co-worker),而非单向调用的工具。 跨职能融合的潜力巨大,但组织若忽视人的因素,AI 反而会破坏团队凝聚力。宝洁(P&G)的研究发现,配备 AI 的跨职能团队产出的突破性创新是普通团队的 3 倍,AI 打通了研发与商业部门之间的语境壁垒,让双方得以使用同一种语言对话。但另一项数据警示:全行业 93% 的 AI 预算被投入到技术采购中,仅有约 7% 留给组织与人员培训。Marina 分享了自己亲身经历的痛点:如果在没有刻意设计协同流程的情况下盲目引入 AI,由于每个开发者都只顾着向自己的 AI 智能体进行一对一推演和“对练”(Sparring),原本团队内部热烈的面对面讨论与思辨骤然减少,反而侵蚀了团队的集体智慧。 | 调研报告来源 | 核心发现与数据 | 对研发团队的启示 | |:--- |:--- |:--- | | **BCG 调研** | 超过 85% 的应用仍停留在任务级助理委派阶段 | 真正的业务价值爆发于工作流重塑阶段 | | **行业综合统计** | 超过 40% 的智能体项目以失败告终 | 失败的根因在于流程设计缺失,而非技术本身 | | **管理层认知调研** | 76% 的企业领导者已将 AI 视为同事而非工具 | 协作关系正从指令操控转变为动态协同 | | **P&G 案例研究** | AI 赋能的跨职能团队产出突破性创新的概率提高 3 倍 | AI 成为消除研发与业务部门壁垒的通用语言桥梁 | | **行业预算分布** | 93% 预算流向技术,仅 7% 投入人员与组织重塑 | 缺乏流程规范的单兵 AI 使用极易瓦解团队协作 | --- ### [07:13](https://www.youtube.com/watch?v=C37Wag4cuhU&t=433s) 责任归属与“错误放大”层级:从代码行到核心基建 随着 AI 席卷软件工程,开发者必须重新审视“工程师”与“编程”的根本定义。AI 只是工具,最终的代码所有权与交付质量始终由人类工程师完全承担。当模型生成了残缺有误的代码时,开发者绝不能推诿责任、抱怨模型愚蠢。Marina 毫不留情地指出:“And that if it produces something shitty, then it's actually your fault, because maybe you haven't guided it or had the good a good workflow.” 一键生成海量代码极易诱发虚假的成就感——看到终端迅速滚屏,开发者便误以为自己拥有了超能力,正在飞速推进项目,但这恰恰是最危险的诱惑。Marina 提出了严峻的“错误放大金字塔”(Error Amplification Hierarchy),揭示了人类在宏观认知层面的疏漏如何被 AI 无限放大为海量的代码灾难: 1. **代码语法层(Code)**:1 行糟糕的代码只会对应 1 行垃圾代码; 2. **计划层(Plan)**:1 行错误的计划将演变为 10 到 100 行坏代码; 3. **调研层(Research)**:1 行失误的调研推演会直接衍生出超过 1,000 行坏代码; 4. **规范与问题定义层(Specification)**:1 行有偏差的需求规格意味着团队彻底理解错了业务系统与核心痛点,导致产生上万行废弃代码; 5. **核心基础设施与系统指令层(Core Infrastructure)**:如果在云端或每次会话初始加载的核心提示词与全局指令中写错了 1 行,错误便会在全局持续复现,最终导致数十万行劣质代码蔓延。 Marina 以近期的切身惨痛经历现身说法:在刚加入一个新项目时,由于系统调研不够透彻,她误判了整体架构,直接陷入了残酷的“实现陷阱”(Implementation Trap)。AI 迅速输出了前后端两个体积极其庞大的 Pull Request,前端代码量甚至高达 8,000 行。她随即被困在无休止且令人窒息的重构死循环中。在数万行生成的代码海洋里排查底层误解,不仅极度痛苦,更是成本最为高昂的试错方式。这警醒所有开发者:人机协同的核心价值早已不再是微观语法的敲击,而是系统边界与上层指令的精准锚定。 --- ### [10:18](https://www.youtube.com/watch?v=C37Wag4cuhU&t=618s) 工作流的解剖学与基础环境配置 摆脱生成诱惑与实现陷阱的唯一解法,是将“工作流本身作为产品”(Workflow as the product)来对待。每一次接手具体任务,都应当被视作一次针对自身工作流健壮度的测试与迭代。Marina 将其结构化地拆解为一套非线性的动态循环——“工作流的解剖学”(Anatomy of a workflow),其核心阶段在探索、计划、编码与验证之间自如穿梭,底层则由三块坚实的基石提供支撑。 ```mermaid flowchart TD accTitle: 工作流解剖学架构图 accDescr: 展现从底层配置、技能到顶层非线性执行循环的系统架构 subgraph CoreLoop ["顶层执行:非线性工作流循环"] Explore["探索阶段<br>(Exploration)"] Plan["规划阶段<br>(Planning)"] Code["编码阶段<br>(Code)"] Verify["验证阶段<br>(Verify)"] Explore <--> Plan Plan <--> Code Code <--> Verify Verify -.->|"反馈迭代"| Explore end subgraph Foundations ["底层基石:动力与环境支撑"] Config["环境配置 (Configuration)<br>个性化流式适配与权限把控"] SkillsPlugins["技能与插件 (Skills & Plugins)<br>Markdown 任务配方与包封装"] MCP["模型上下文协议 (MCP)<br>AI 连接外部工具的 USB-C"] end Foundations --> CoreLoop ``` 该工作流体系依托于三大技术支撑底座: - **个人配置(Configuration)**:服务于个体最佳心流的定制化配置,因人而异; - **技能与插件(Skills and Plugins)**:技能本质上是用 Markdown 文件编排的任务配方(Recipe),而插件则把特定技能、钩子(Hooks)以及工具上下文打包整合,便于在团队或社区间分发共享; - **模型上下文协议(MCP, Model Context Protocol)**:充当所有 AI 应用的标准化通用接口,如同给智能体装上了即插即用的“USB-C 端口”,使其能自由调用外部工具和私有系统。 在具体环境配置细节中,Marina 重点强调了避免被频繁弹窗打断思维节奏的实操技巧。为了防止陷入“允许/拒绝提示词轰炸致死”(Death by prompt deny / allow-deny prompts),开发者必须提前做好权限管理。可以在客户端中运行 `/permissions` 梳理权限白名单,或借助特定模式开启 Auto Mode 自动化放行,从而彻底消除重复确认带来的心智磨损。最后,她引入了“洞察框”(Insight boxes)等可视化手段,以便实时监控智能体的运行状态并提取关键上下文。 ### [12:37](https://www.youtube.com/watch?v=C37Wag4cuhU&t=757s) 解释模式、CLAUDE.md 维护与上下文窗口管理 在终端中使用 Claude Code 等智能体工具时,Marina Santos Haugen 展示了终端输出中带星号的标记。这些标记展示了 Agent 做决策背后的模式和推导逻辑。“这非常实用,尤其当你刚接触一个新代码库、需要迅速上手的时候。”用户只需在命令行输入 `/config`,进入 `output style`(输出样式),然后选择 `explanatory`(解释模式)即可开启这一功能。 保持核心基础设施 `CLAUDE.md` 实时更新同样至关重要。Marina 介绍了一个名为 `Claude MD Management` 的插件,其中包含一个叫 `Claude MD Improver` 的技能(Skill)。一旦触发该技能,它会对当前的 `CLAUDE.md` 文件进行评分和打分(score grading),并给出具体的改进建议。该插件还内置了另一个命令 `revise CLAUDE.md`:在编码会话中,每当开发者学到新规则或 Agent 犯了错误时,只需执行此命令,它就会精准捕获该会话中的经验教训并沉淀下来。 ```mermaid flowchart LR accTitle: CLAUDE.md 持续维护闭环 accDescr: 展示在编码会话中通过插件与命令评估与动态更新 CLAUDE.md 的流程。 subgraph Evaluation ["评估与改进"] A["Claude MD Improver"] --> B["文件评分与改进建议"] end subgraph Runtime ["运行时反馈"] C["会话中发现错误/学到新知"] --> D["revise CLAUDE.md 命令"] end B --> E["CLAUDE.md 核心配置"] D --> E ``` 在上下文管理方面,Marina 强调上下文剩余容量与生成代码的质量直接挂钩:“如果你在写代码时剩下的上下文非常少,输出的代码质量就会变差。”为了保证始终拥有健康的上下文窗口,她经常使用 `/compact` 和 `/clear` 命令。此外,她还个性化配置了状态栏(Status Line),常驻显示当前工作目录,并开启上下文剩余量警告提示,以便随时监控消耗。 - 开启解释模式命令路径:`/config` -> `output style` -> `explanatory` - `Claude MD Management` 插件包含的核心技能:`Claude MD Improver`(评分与建议)和 `revise CLAUDE.md`(提炼单次会话教训) - 维持上下文窗口健康的核心指令:`/compact`(压缩上下文)与 `/clear`(重置会话) --- ### [14:12](https://www.youtube.com/watch?v=C37Wag4cuhU&t=852s) 连接开发全流程的 MCP 服务器生态 Marina 将话题转向模型上下文协议(Model Context Protocol,简称 MCP)服务器,列举了她在日常研发不同环节中连接的实用工具,并提示输入 `/mcp` 即可随时查看当前已挂载的服务列表。在设计环节,取决于团队习惯,她挂载了 Figma 插件来生成和读取设计稿,连接 Miro 来读取白板草图和梳理发散思维;在需求与缺陷追踪上,她通过 MCP 连接 Linear、Jira 和 GitHub Issues,一旦定位到 bug,就能全自动创建包含抓图与详细技术上下文的工单。在测试与安全领域,她通过 Semgrep MCP 服务器执行安全代码分析,借助 Playwright MCP 进行自动化浏览器端到端测试与 Demo 演示录制。 在文档查询方面,针对大语言模型因训练数据存在截止时间(Cut-off date)而导致知识陈旧的问题,Marina 重点展示了 Context 7 与 Notion 的结合。以 Context 7 为例,其落地页展示了仅在 9 小时前刚刚更新的 Next.js 最新官方文档和代码样本。当项目需要升级依赖、排查 Breaking Changes 或查找补丁更新时,该工具能让 Agent 检索到第一手资料;Marina 本人就曾借助它调研选型,最终选定了适合自己工作流的 Agent Browser。 另一个生动的案例展示了 Miro 与 Notion 的结合使用。在一个实际项目中,Marina 拿到了一份极其复杂的决策树,在庞杂的业务分支中极难快速理清主干代码该如何设计。“我让 Claude 读取这份流程图,并将所有内容以纯文本形式梳理映射出来,这样我就掌握了完整的开心路径(Happy Path)和所有判定分支。”这种文字梳理不仅扫清了代码实现障碍,还能直接同步给产品经理或非技术背景的同事。 ```mermaid flowchart TD accTitle: Semgrep 与 Claude Code 的安全协作流 accDescr: 展示 Claude Code 生成代码后,由 Semgrep 扫描漏洞并闭环修复的过程。 A["Claude Code 编写/修改代码"] --> B["Semgrep MCP 服务拦截代码"] B --> C{"OWASP Top 10 漏洞扫描"} C -->|"发现安全隐患"| D["反馈安全漏洞扫描结果"] D --> A C -->|"无漏洞"| E["安全代码合入"] ``` 在代码安全检测上,Semgrep MCP 服务器与 Claude Code 形成了实时协作流水线:Agent 每次编辑代码后,输出内容都会立即经过 OWASP Top 10 漏洞库扫描。一旦检出风险,Claude 会在原地根据报告进行针对性重构,从而实现“代码刚写完、安全检测就已闭环”的防御机制。 - 需求追踪:Linear、Jira、GitHub Issues 自动化提单并附带调试抓图与细节 - 文档时效:Context 7 提供最新依赖文档检索,解决模型知识截止问题 - 流程逆向:Miro MCP 将复杂的图形决策树提取为结构化文字“Happy Path” - 实时防御:Semgrep 扫描 OWASP Top 10 漏洞,配合 Claude Code 自动化修复 --- ### [17:26](https://www.youtube.com/watch?v=C37Wag4cuhU&t=1046s) “不要构建 Agent,构建技能”与像素主题定制案例 Marina 引述了 2025 年 12 月两位 Anthropic 工程师在 AI Engineer 大会及 YouTube 频道上的核心观点:“不要去构建智能体,而是去构建技能(Don't build agents, build skills instead)。” 为了阐述这一论断,Anthropic 提出了三层认知模型: 1. **底层模型即处理器(Processors)**:各家底层大模型之间的能力差距正在迅速收窄,即使是轻量级小模型也在追赶头部大模型,单靠底层模型所能拉开的壁垒越来越小。 2. **中层 Agent 即操作系统(Operating Systems)**:如 Claude Agent 等宿主客户端,它们提供了提问和交互的外壳,虽然体验有差异,但差异依然有限。 3. **外层技能即应用程序(Applications)**:如同百花齐放的应用软件,技能(Skills)才是沉淀业务领域专业知识(Domain Expertise)、拉开核心差异并释放巨大业务价值的真正所在。 ```mermaid flowchart TD accTitle: 模型、Agent与技能的三层架构映射 accDescr: 展示由内而外的技术分层架构,将模型类比处理器,Agent类比操作系统,Skills类比应用程序。 subgraph Architecture ["能力分层与价值映射"] M["底层:基础大模型 (Models)<br/>类比:硬件处理器 (Processors)<br/>现状:能力趋同,差距迅速抹平"] O["中层:智能体框架 (Agents)<br/>类比:操作系统 (OS)<br/>功能:提供客户端交互与提问机制"] S["外层:技能扩展 (Skills)<br/>类比:上层应用程序 (Applications)<br/>价值:领域专业知识沉淀与核心价值所在"] end M --> O O --> S ``` 为了证明技能定制的威力,Marina 分享了自己为本次演讲幻灯片编写的 `pixel-theme` 技能。出于对像素艺术风格的狂热喜爱,她此前花了大把时间在 ChatGPT 中生成配图,但效果极其令人沮丧——色彩规范混乱,画面风格支离破碎,拼凑在一起完全不像同一场演示。为此,她开发了专门的像素主题技能,如今只需在会话中一键唤醒,无论生成深海海底还是沙漠奇观,风格都能严丝合缝地保持统一。她坦言这并非一蹴而就:“把工作流本身当成一个产品去打磨。在达到满意的效果或者真正开始产出优质结果之前,我至少迭代了 15 版。” --- ### [20:01](https://www.youtube.com/watch?v=C37Wag4cuhU&t=1201s) 技能生态规范与 Superpowers 工作流落地 谈及技能生态系统的构成,Marina 将其分为三层:Agent 内置技能、市场第三方技能以及完全私有的自定义技能。对于内置技能,Claude 官方提供了强大的工具集:例如用于重构迁移的 `/batch` 命令,在处理像 Vue 迁移到 React 这类跨框架需求时,只需一条指令就能批量应用到多个 UI 组件上;此外还内置了排查故障的 `/debug`、精简代码逻辑的 `/simplify` 以及循环校验逻辑的 `/loop`。对于社区和技能市场,Anthropic 的态度极其谨慎,明确告诫开发者不要轻信盲从第三方技能;Marina 也遵循这一原则,不直接下载第三方技能,而是以 Anthropic 官方在 GitHub 开放的 Agent Skills 仓库为灵感源泉,自行手写符合自身需求的安全技能。 在自定义技能体系中,Marina 重点解析了名为 `superpowers` 的工作流套件。该套件高度集成了贯穿研发全周期的 14 项专项技能,横跨四个核心阶段: | 研发阶段 | 包含的核心技能与机制 | 解决的痛点与实际运作方式 | |:--- |:--- |:--- | | **规划阶段 (Planning)** | `brainstorm`、`writing plans` | 将任务拆解为可测试步骤;自动生成独立 HTML 页面展示交互选项,减轻开发者在终端面对海量纯文本代码时的视觉疲劳 | | **实现阶段 (Implementation)** | `TDD`(测试驱动开发)、`systematic debugging` | 严格按照单测先行与系统化排查步骤编写业务逻辑 | | **扩展阶段 (Scaling)** | `sub agent-driven development`、Git Worktrees | 为不同子 Agent 分配独立上下文窗口并发攻坚,通过工作树物理隔离代码变更 | | **质量阶段 (Quality)** | `verification before completion`、PR 代码评审辅助 | 抑制 Agent 急于草率宣布完工的倾向,强制执行全量测试、Lint 与类型检查;协助准备发版评审及研判 PR 意见 | Marina 特别强调了质量把关阶段中 `verification before completion` 的防线作用:“因为 Agent 经常会出于急于结束会话的倾向,轻飘飘地说一句‘我已经做完了’。但只要你触发了这个技能,它就必须老老实实执行全套测试、Lint 检查和类型校验,真刀真枪地验证你是否确实达成了验收标准。” ```mermaid flowchart TD accTitle: Superpowers 头脑风暴与交互界面 accDescr: 展示 brainstorming 技能如何在终端与 HTML 可视化页面之间协同推进技术方案选型。 A["触发 brainstorm 技能"] --> B["在浏览器弹出专用 HTML 交互页面"] B --> C["呈现方案 A 与方案 B 选项组件"] C --> D{"开发者决策操作"} D -->|"页面直接点击"| E["快速勾选 UI 布局与控件选型"] D -->|"返回命令行"| F["在 Terminal 中进行深度追问与多轮迭代"] E --> G["输出最终技术方案 Spec 并拆解为可测试步骤"] F --> G ``` 在演示 `brainstorm` 技能时,屏幕上弹出了一个由 Agent 自动构建的专用 HTML 页面。该页面将枯燥的技术选项(如方案 A 与方案 B)直接以按钮和卡片等 UI 控件渲染出来。开发者不仅能在页面上直接点击决策,也可以切换回终端继续深度迭代。面对直观的界面,开发者能立刻反应过来:“哦,不,我不要这种复杂的点击式筛选面板,我更想要几个简单的过滤按钮,因为这里根本不需要那么多筛选项。”这种图形化交互极大地拯救了深陷海量终端日志中的工程师,让架构推演与规格敲定变得直观高效。 ### [24:04](https://www.youtube.com/watch?v=C37Wag4cuhU&t=1444s) 前端设计技能:打破千篇一律的“AI 塑料感” Marina Santos Haugen 深入探讨了名为 front-end design 的技能。她指出,AI 生成的代码或界面往往带有一种极其廉价、草率且千篇一律的质感,让人一眼就能看出是机器批量生产的产物。然而,front-end design 技能则会先去理解开发者到底在构建什么、终端用户的核心诉求是什么,进而量身推导出一套完全契合业务场景的设计规范。为了展示差异,Marina 对比了两次下发同一任务时的不同提示词与执行过程:一种是典型的“蛮力直接生成”(brute force),即简单输入指令让模型去实现第一个用户故事(创建主题),结果模型胡乱写了一堆代码就草草宣告完成;另一种方式则是明确要求它先针对美学方向展开头脑风暴,然后再调用 front-end design 技能落地实现。 在第二种流程中,模型会主动打开浏览器并呈现三种不同的视觉风格供选择。由于该项目是一个面向急救医护人员(paramedics)的学习平台,Marina 选择了“临床参考/医学出版物”的严肃风格,并确定了相应的字体搭配。随后,她要求 AI 将这套视觉规范沉淀到设计主题文档中,以便整套系统在后续开发中反复复用。最终对比显示,蛮力生成的界面只是一个极其无趣、毫无美感的黑白 Next.js 页面;而通过规范化流程打造的界面则呈现出仿纸质质感、精致优雅的排版字体,并融入了代表救护车急救人员特征的红白配色方案。 ```mermaid flowchart TD accTitle: 前端设计技能的双轨对比流程 accDescr: 对比直接蛮力生成与利用前端设计技能进行规范化生成的两种完全不同的开发路径 subgraph BruteForce["蛮力生成流程"] A1["下达简单指令<br/>'Build User Story 1'"] --> B1["无脑编写代码"] B1 --> C1["生成枯燥黑白 Next.js 页面"] end subgraph GuidedDesign["前端设计技能流程"] A2["指令要求先行头脑风暴"] --> B2["打开浏览器展示 3 种设计风格"] B2 --> C2["选定临床医学风格并保存 Theme Docs"] C2 --> D2["调用 Front-end Design 技能交付定制化专业 UI"] end ``` - 蛮力生成方式会导致极为草率、千篇一律的通用黑白布局。 - 美学优先流程通过提取救护车(红白色调)与专业医学期刊的纸张质感,实现了高辨识度的业务界面。 - 将确立的设计规范固化在文档中,是保证后续应用各个模块风格统一的关键步骤。 --- ### [26:27](https://www.youtube.com/watch?v=C37Wag4cuhU&t=1587s) Feature Dev 的七阶段管道与多 Agent 三角验证 除了类似工具箱的 superpowers,Marina 介绍了被称为 feature dev 的七阶段流水线工作流。整个流程从“发现”(Discovery)开始,AI 会梳理需求并生成待办事项清单;紧接着进入“探索”(Exploring)阶段,此时系统会并行启动两到三个不同的 Agent 分头摸排。这种并发机制带来了极大的可靠性:“And that's very good because when you have many different agents at the same time, if they come back with the same findings, then you are triangulating data. So, you can be very sure that it's a good idea or it's a nice bug they found or whatever.” 多个 Agent 得出的交集结论让开发者能够确信这是真正的代码缺陷或正确方案。 第三阶段是“澄清”(Clarification),这也是流水线中的第一个强制硬停顿点(hard stop)。在此阶段,模型如果得不到人类的输入确认就绝不会擅自推进,而是会主动向开发者抛出澄清问题。确认之后进入“架构”(Architecture)阶段,AI 会主动给出多达三种备选架构方案供开发者权衡利弊,而非武断地推行单一方案。随后进入“实现”(Implementation)阶段,由于开发者全程参与并对齐了心智模型,此时便可以完全放手让 AI 编写代码。在代码落地后,系统会进入“评审”(Review)阶段,再次并行调度三个 Agent,分别从简洁度、正确性以及是否遵循仓库现有规范这三个维度进行严苛审查,最后完成“收尾”(Wrap-up)。 ```mermaid flowchart LR accTitle: Feature Dev 七阶段工作流 accDescr: 展示从需求发现到收尾的完整七阶段 Pipeline,标明了并发 Agent 验证和人类介入硬停顿点 subgraph Prep["前期探索"] S1["1. 需求发现<br/>(Discovery)"] --> S2["2. 并发探索<br/>(2-3 个 Agent)"] S2 --> S3{"3. 澄清阶段<br/>(强制硬停顿)"} end subgraph Exec["架构与落地"] S3 -->|"人类确认"| S4["4. 架构设计<br/>(提供 3 种方案)"] S4 --> S5["5. 自动实现<br/>(Implementation)"] end subgraph Quality["质量与收尾"] S5 --> S6["6. 并发评审<br/>(简洁度/正确性/代码规范)"] S6 --> S7["7. 项目收尾<br/>(Wrap-up)"] end ``` - 探索阶段派生 2 到 3 个 Agent 实现数据三角校验,大幅降低幻觉。 - 澄清阶段设置硬性阻断,杜绝偏离用户原意盲目构建。 - 架构阶段一次性输出最多 3 种技术方案,保留开发者的决策权与技术选型权。 - 评审阶段多 Agent 联合巡检,严抓代码简洁度、正确性与已有工程规范。 --- ### [28:23](https://www.youtube.com/watch?v=C37Wag4cuhU&t=1703s) 代码评审自动化与文档驱动原型构建 在代码审查层面,Marina 对比了两类常见的评审技能。一类是直接集成在 GitHub 流程中的自动化机器人,她的同事曾因 Bot 在未打招呼的情况下直接给 Pull Request(PR)发表评论而大吃一惊。这类技能内嵌了强约束机制,其触发规则明确写明只有当代码质量评分超过 80% 时才会向 PR 发送评论,且完全不可定制,通常用于对远程已有 PR 的快速评估。另一类则是 Marina 本地开发收尾时最常调用的定制化评审工具,它不会去干扰远程仓库,而是在本地终端中直接吐出结构化总结。开发者可以自由定制检查范围,比如仅仅让它扫描代码注释、排查是否有该清理的冗余调试信息等,同样在底层运用了多 Agent 协作。 接着,Marina 介绍了涵盖多格式读取分析、设计、通信等维度的文档技能集(Documentation Skills)。该套件不仅存在于 CLI 中,也支持在 Claude 桌面端应用中运行,其中内嵌了提供 10 种现成主题的 Theme Factory 等扩展模块。Marina 列举了一个令人头疼的真实项目案例:她拿到了一份包含 56 列、超过 370 行的复杂 Excel 文档,任务是提取其中第 16 行和第 29 行涉及的全部表单字段,将必填项(M)、条件必填项(CM)及选填项完整映射出来,以此构建交互向导组件。更棘手的是,若某处标注了 code,则意味着该枚举值并未写在文档中,必须深入 GitHub 上的 eForm SDK 源码里逐一检索。 借助文档技能,AI 迅速消化了这张庞大的表格并完成了逻辑映射。Marina 更进一步,利用 AI 敏捷的原型构建能力,将其直接封装成一个可点击交互的原型应用并快速部署给产品经理(PM)试玩。产品经理不仅能在页面上直观查看第 16 种电子表单包含哪些必填字段,还能展开来自 SDK 的 code 下拉枚举选项,以此判定哪些字段需要放入正式设计稿,AI 甚至还主动提出了表单信息分组的优化建议。 - GitHub PR 评审技能规则极为严厉,只有质量评分突破 80% 才会向 PR 回写评论。 - 本地审查技能支持极高自由度,可指定只扫描代码注释清理或特定边界情况。 - 面对 56 列 × 370+ 行的超大复杂电子表格,文档技能结合源码 SDK 检索,避免了漫长枯燥的人工排查。 - 快速生成并部署高保真交互原型,让产品经理以最小沟通成本完成表单业务规则的定稿与确认。 --- ### [32:55](https://www.youtube.com/watch?v=C37Wag4cuhU&t=1975s) 安全审计、自动化推荐与自定义扩展技能 安全与工程自动化同样可以通过专用技能实现无缝集成。Marina 演示了安全审查(Security Review)技能的用法:开发者既可以显式手动触发该命令,也可以将其挂载到 CI/CD 流水线中持续运行。在现场展示的扫描案例中,系统快速扫描了 12 个代码文件,按高危(High)、中危(Medium)、低危(Low)的严重等级分类列出潜在漏洞,并附带针对性的代码修复建议。与此同时,利用 Claude 自动化推荐器(Claude Automation Recommender),AI 能够主动分析开发者的操作习惯并建议搭建自动化流程。例如,它可以建议添加前置工具拦截钩子(pre-tool hook),阻止 Claude 擅自篡改敏感的 `.env` 配置文件;它还能分析开发者过往的历史对话记录,指出某些操作一直被人工全盘批准,从而提议将这些重复确认沉淀为永久执行规则。 最后,Marina 重点强调了自定义技能(Custom Skills)的广阔前景,直言这完全取决于开发者的想象力。在自己的实践中,她构建了一整套极具工程价值的专属技能矩阵: - **测试实现技能**:内置测试账号数据、整个系统的应用架构图以及路由表。只需粘贴一个 Linear Issue 链接或 GitHub PR 地址,AI 就会主动进入系统核验验收条件(Acceptance Criteria)是否真正被满足。 - **演示录制技能**:与自动化测试结合,当测试验证通过后,自动截屏录制成 GIF 或操作视频,连同功能更新描述一并自动推送到 Slack 频道。 - **教学型 PR 审查(Pedagogical PR Review)**:不仅给出改动建议,更以教学形式深入解释代码变更背后的逻辑原理。 - **依赖升级技能**:在面临复杂的第三方依赖升级时,主动调用 Context7 MCP 服务器精准拉取上游最新的官方技术文档,杜绝因过时经验引发的兼容性故障。 正如 Marina 所言,随心所欲搭建技能的同时,按照严密规范去正确编写技能结构才是释放 Agent 效能的关键前提。 ### [035:45] 自定义技能的创建、质量检查与 UI 组件库结合 在开发各种 Agentic AI 流程时,Marina Santos Haugen 介绍了如何编写并验证专门的“技能”(skills)。用户可以通过技能创建器(Skill Creator)来搭建技能的整体骨架、配置变量并自动生成适宜的描述触发词(description trigger)。随后,还可以使用编写技能检查器(Writing Skills)对其进行全面测试与质量把关,AI 会直接给出具体的修改与改进建议,确保整个触发和执行链路严密可靠。 为了展示技能的实际应用,Marina 分享了她在开发一个 CRM 系统时遇到的痛点。当时,通用 AI 总是给出不符合团队设计规范的 UI 组件,令人非常苦恼。为此,她专门构建了一套 UI 设计技能:首先重新对齐设计主题,接着并行检索开放社区平台 21st.dev 上的开源 UI 组件以获取灵感。由于 21st.dev 属于开放社区,任何人都可以在上面提交代码,代码安全性难以保障,因此技能的第三步便是在接收到 MCP(Model Context Protocol)服务的输出后自动进行安全扫描,排查 React Top 10 安全漏洞;第四步则是为该场景综合提炼出 1 到 4 种设计备选方案,并将它们沉淀到调研文档中。作为一个没有专职 UI 设计师的单人项目,Marina 通过这套机制在对话中快速预览各色组件(例如彩虹风格的空白状态组件),微调样式后直接取用代码,成功扮演了自己的全栈设计师。 ```mermaid flowchart LR accTitle: UI组件生成与安全检查流程 accDescr: 展示从检索开源组件到扫描漏洞并生成备选方案的四步流程 subgraph UI_Pipeline["UI 设计技能处理链路"] A["步骤 1: 规范对齐<br/>Redesign Theme"] --> B["步骤 2: 并行灵感检索<br/>21st.dev MCP Server"] B --> C["步骤 3: 安全合规扫描<br/>React Top 10 漏洞排查"] C --> D["步骤 4: 方案提炼<br/>输出 1-4 种备选方案"] end ``` --- ### [037:59] 教学型 PR 审查与本地容器化渗透测试 Agentic AI 在提升编码速度的同时,往往会生成体量惊人的 Pull Request,给代码审查带来沉重的心智负担。在加入一个新项目、对底层代码库尚不熟悉时,Marina 常常感到难以消化庞大的 PR。为此,她开发了一款“教学型 PR 审查技能”(Pedagogical PR Review Skill),让每一次 PR 审查都转变成一次循序渐进的学习过程。在现场展示中,一个 PR 涉及多达 90 个文件,删除了 41,000 行代码,同时交付了 4 个不同的工单。针对这种巨型 PR,该技能首先输出全局概览,甚至绘制 ASCII 架构图辅助理解,随后将审查切分为例如 13 个具体的逻辑步骤。AI 会逐个文件或按业务领域详细讲解改动意图,并在行文中实时指出潜在的改进点加入底部的待办清单,供开发者最后逐项验证是否需要向 GitHub 提交 Review 意见。 对于没有专业安全背景的全栈独立开发者,AI 还可以作为低成本的安全测试助理。Marina 利用集成 Kali Linux 的 MCP 工具箱,在本地 Docker 容器内构建了自动渗透测试技能。该工具提供了 11 种安全扫描工具,涵盖暴露端口扫描、Web 漏洞排查、目录暴力破解、SQL 注入测试、针对 URL(如 `/admin`)的爆破字典生成,以及 Hydra、John the Ripper 密码破解工具等。只需将 AI 放行在本地 Docker 环境中,它就会自动对刚写好的系统展开攻击模拟,并生成漏洞整改清单。不过,Marina 特别提醒大家留意供应链安全:“The first time I did this and I asked Claude like, 'Okay, I want to try to use Kali,' it actually went ahead and found the MCP server from a random guy on GitHub first and not the official Kali. So be aware.” 开发者必须保持警惕并时刻复核工具来源。 - **教学型 PR 审查的输出步骤**: - 生成高维上下文总结与 ASCII 逻辑图。 - 将大体量 PR 拆分为若干个逐步审查阶段(如 13 步)。 - 按业务领域或文件逐段讲解实现逻辑,边走边记录待办问题项。 - 引导审查者统一回溯发现点,决定是否在 PR 中留评。 - **本地 Kali MCP 测试包含的工具形态**:端口扫描器、Web 漏洞探测、SQL 注入检测器、目录爆破、密码破译器(Hydra、John the Ripper)等。 --- ### [041:56] 多态工作流实战:从用户反馈到 PRD 需求定义 进入端到端开发实战,Marina 详细拆解了她日常所贯彻的“多态工作流”(Polymorphic Mindset Workflow)。该流程划分为明确的四大阶段:首先是理解与调研(Understanding & Research,涵盖头脑风暴、设计先行协作、UI 灵感调研及 Claude Desktop / Cowork 工具应用);其次是规划(Plan,进行 Issue 拆解和计划撰写);接着是编码(Code,依托 Sub-agent、Worktrees 并行执行);最后是验证(Verify)。针对实际场景,她举了一个 CRM 系统的真实案例:用户提交了一个 Issue,建议在销售线索看板(Leads Board)上方增加一个“时间周期筛选器”(Period Filter),并附带了一张示意截图。 面对用户的建议,Marina 强调了产品思维的核心原则:“And as we know, never listen to solution suggestions from users. First, understand the problem and the need.” 为了探究用户背后的真实痛点,她戴上“产品经理”的帽子,在 Claude Desktop 中借助相关插件获取法务、财务、数据分析、工程和产品等多领域的协同上下文,并触发规范编写技能。技能连接到 GitHub 获取代码库上下文后,自动生成了一份结构详尽的 PRD(产品需求文档),清晰界定了业务痛点、目标、非目标(Non-goals)、拆解后的 User Stories、边界情况、功能要求以及按优先级排列的验收标准(Acceptance Criteria)。尽管为一个小小的筛选器编写完整 PRD 略显小题大做,但它清晰地展示了如何将模糊的用户诉求具象化为标准产品规格。 --- ### [044:57] Issue 细化、原型制作与“设计先行”架构对话 在完成需求挖掘后,流程进入到规划与方案设计阶段(The "How")。Marina 利用 GitHub MCP 服务,自动将 PRD 里的规范、任务列表与验收标准同步为 GitHub Issue 下方的结构化评论,并自动衍生拆解出多个子任务工单。这种做法能确保随后接管任务的编码 Sub-agent 能够自包含地获取所有上下文信息,杜绝幻觉和脱轨。 在确立了为什么做(Why)和做什么(What)之后,必须解决怎么做(How)——包括视觉设计原型与技术架构决策: 1. **视觉原型与业务对齐**:通过让 Claude 读取前端代码库,AI 生成了 Leads 看板的高保真复刻原型。结合公司使用 OKR 以及按半年周期考核的业务背景,AI 指出在全局放筛选器并不合理,反而提议直接将筛选器内置在“已完成”(Færdig)泳道内。Marina 将截屏直接贴入 GitHub Issue,为编码 Agent 提供了直观的设计基准。 2. **“设计先行”白板架构协作**:在技术决策层面,为了确保人类与 AI 拥有完全同步的心智模型,Marina 参考 Rahul Garg 的博客构建了“设计先行协作”(Design-First Collaboration)技能。该技能模拟了面对面在白板前画图讨论的结构化互动,遵循“分层推进”原则,在进入编码前逐级对齐: - **功能能力(Capabilities)**:这个功能究竟需要具备哪些核心能力? - **组件划分(Components)**:系统需要哪些架构和代码层面的组件? - 开发者可以在推演的每一层随时叫停、纠偏并确认,真正实现与 AI Agent 在进入代码实现前达成严密的心智对齐。 ### [47:30](https://www.youtube.com/watch?v=C37Wag4cuhU&t=2850s) 分层架构评审与架构决策记录(ADR) 在架构规划中,明确各组件之间的交互方式(即各个部分如何通信)以及契约规范(包括接口定义、数据模式等)至关重要。Marina Santos Haugen 指出,规划阶段是发现错误和对齐偏差最具成本效益的黄金节点:“So, this is kind of the cheapest moment to find errors and find misalignments because you are in the planning phase and it's taking you through like an overview and not like these huge PRs with 8,000 lines of code, then it's very expensive to find misalignments.” 相比于面对包含 8,000 行代码的庞大 Pull Request 时极高的排错代价,在架构初期以全景视角纠偏显得轻量且高效。 在实际操作中,规划 Skill(技能)采用了层层递进的评审门禁(Review Gate)。当流程推进到第一层能力定义(Level 1 capabilities)时会自动暂停,只有当开发者确认同意后,才会进入第二层的组件划分(Level 2 components)。这种逐层卡点的机制能确保所有设计偏差在源头被捕获。流程经过第三层交互定义和第四层契约设计后,最终会生成一份单页的架构决策记录(ADR, Architectural Decision Record)。Marina 将这份精简的单页文档作为代码库的第一次提交(First commit),它清晰记录了评估过哪些方案、最终为何选型,团队同事无需阅读大量代码即可迅速理解设计思路并在第一时间反馈潜在系统风险。 ```mermaid flowchart TD accTitle: 四层架构规划与 ADR 流程 accDescr: 展示从能力规划、组件设计到最终生成 ADR 的分层把控流程。 subgraph Planning["规划与分层门禁 (Planning Gates)"] L1["第一层:核心能力 (Capabilities)"] L2["第二层:系统组件 (Components)"] L3["第三层:组件交互 (Interactions)"] L4["第四层:接口契约 (Contracts)"] end L1 -->|"通过评审门禁"| L2 L2 -->|"通过评审门禁"| L3 L3 -->|"通过评审门禁"| L4 L4 --> ADR["生成架构决策记录 (ADR 单页文档)"] ADR --> Commit["首次代码提交 (First Commit) 并交由团队评审"] ``` --- ### [49:00](https://www.youtube.com/watch?v=C37Wag4cuhU&t=2940s) 多 Agent 团队并行协作与自动化验收测试 一旦 ADR 确立,所有 Agent 就拥有了完整的架构上下文,此时便可以放手让其并行推进开发。系统会根据 GitHub Issue 自动拆解任务,并建议如何分配工作量。在具体的任务分配中,系统会规划后端任务(例如处理 Issue #89 和 #90)并指派给后端 Agent,同时衍生出前端 Agent。Marina 强调,开发者在交互时始终只与团队主管(Team Lead)对接,由其负责在底层编排这支并行的智能体编队。随后测试 Agent 进场编写测试用例,全流程持续运行直至所有自动化测试全部变绿。这项能力在尝试时曾是名为“编排 Agent 团队”(Orchestrating a team of agents)的测试版功能。 然而,Marina 提醒切勿指望多 Agent 的首次产出就能做到完美无瑕。在实际看到运行中的界面前,开发者很难预判所有设计的合理性。例如,系统最初在界面顶部放置了一个数据筛选组件,视觉上极度拥挤;经过数轮迭代调整,该筛选器被移至下方,为核心统计指标留出了充足的空间。在功能验证层面,测试实现 Skill 会自动拉取包含验收标准(Acceptance Criteria)的 GitHub Issue,并借助自动化控制的 Chrome 浏览器逐条点击和验证功能,全程无需人工干预。测试完成后,Agent 会将详细的测试发现汇总回写至 GitHub 的父级 Issue 中,形成清晰的闭环记录。 - **团队角色拆分**:开发者只与核心 Team Lead 交互,后端 Agent、前端 Agent 与测试 Agent 在底层并行作业。 - **任务绑定机制**:直接与 GitHub Issue(如 #89、#90)关联,明确分配子任务清单。 - **动态闭环反馈**:无头或受控 Chrome 模拟人工交互验证验收条件,跑通后自动更新 Issue 状态。 --- ### [51:24](https://www.youtube.com/watch?v=C37Wag4cuhU&t=3084s) 验证阶段的多维度校验策略与外部 Judge 进入验证(Verify)阶段后,工作流的潜力和挑战都达到了顶峰。Marina 坦言自己早期完全依靠人工验证,效率极低,直到深入体会到官方实践的重要性。她特别援引了 Anthropic 的第一条官方最佳实践指南:“Anthropic's official best practice tip number one is actually like, without verification, Claude may produce plausible looking code that doesn't actually work.” 为此,建立严密的多层次验证流水线是保障交付质量的核心前提。 Marina 在该阶段整合了多项策略: 1. **编写与评审分离**:绝不在同一个 Agent 会话中同时完成写代码与代码审查,通常借助 PR Review Toolkit 启动独立的评审角色。 2. **完成前验证(Verification before completion)**:严格遵循“无证据不主张成功”的原则,必须跑通单元测试与代码 Lint 检查。 3. **引入外部裁判(External Judge)**:采用 Google 的 Gemini Flash 模型对 Claude 生成的 UI 界面和幻灯片进行交叉评估。通过 OpenRouter 的单一 API Key,她调用多模型对演讲幻灯片导出的 PNG 图片按 8 个维度进行打分。当某个界面的“视觉精细度(Visual Polish)”得分不佳时,系统会自动提供修改建议,甚至主动询问是否调用像素风头脑风暴工具生成新的插图。 4. **组件环境隔离与视觉检查**:利用 Playwright、Agentic Chrome 浏览器,以及 React Cosmos 和 Storybook 等组件文档库进行纯净的 UI 隔离预览。这种方式不仅能让开发者在新接入代码库时快速点击浏览各类组件变体,还会倒逼代码实现更干净、解耦的高内聚组件设计。 --- ### [55:40](https://www.youtube.com/watch?v=C37Wag4cuhU&t=3340s) 全自主验证工作流与 Commit Dance 技能 在面对极其紧迫的交付截止日期时,为了在不牺牲质量的前提下大幅提速,Marina 开发了一套全自主工作流技能(Autonomous flow skill)。她在探索与规划阶段深度参与并拍板决策,在编码阶段放手让 Agent 执行,而在原本最为耗时的人工验证阶段实现了全自动串联。该流程首先执行完成前自检,随后调用 6 个专业 Agent 开展全方位代码审查并就地修复缺陷,接着由受控浏览器在无人值守状态下完成验收标准的端到端测试。 ```mermaid flowchart TD accTitle: 全自主验证与 Commit Dance 流程 accDescr: 展示从自检、多 Agent 代码审查、浏览器测试到 Commit 重整和 PR 自动响应的自动化闭环。 A["代码完成自检 (Verify Before Completion)"] --> B["6 个 Agent 综合代码评审并自动修复"] B --> C["无人值守浏览器端到端测试 (验收标准验证)"] C --> D["执行 Commit Dance (重整零碎历史为整洁叙事)"] D --> E["创建 Pull Request 并推送至 GitHub"] E --> F["GitHub 代码审查 Bot 提出评论"] F --> G["Agent 自动读取 Bot 评审并修复回复"] G --> H["人类工程师最终介入审查 (PR 仍处于 WIP 阶段)"] ``` 由于多 Agent 在长期探索与开发中会产生多达 30 余个极其零碎的提交历史,直接人工 Review 负担极重。针对这一痛点,Marina 设计了一个名为“Commit Dance”的 Skill:它将所有临时提交归集到缓存文件中,重新聚合成符合教学认知逻辑的代码块,梳理出脉络清晰的提交叙事。在将整洁的 PR 推送到 GitHub 后,CI 中的自动代码审查 Bot 会留下 Review 意见,而 Agent 则会自动读取这些评审意见、修复问题并回帖互动。只有在这一系列自动化关卡全部通过后,人类工程师才会介入最终把关。在此期间,她还使用 Conductor 客户端并发运行多个 Claude 智能体,例如在制作本次演示文稿时,她通过并行会话处理校对、多语言翻译及版本更新,短时间内高质量合并了多达 136 个专项 PR,将个人交付产能推向了全新的高度。 ### [59:09](https://www.youtube.com/watch?v=C37Wag4cuhU&t=3549s) 现代终端工作流与 Git Worktree 环境隔离 Marina Santos Haugen 介绍了她如何利用现代终端工具 Warp 来打造极速的一键式开发环境。只需单次点击,Warp 就能通过预设的标签页配置(Tab configurations)拉起一整套完整的开发上下文:包含任务 Backlog、可访问磁盘上 BFF(Backend-for-Frontend)日志的云端会话、充当团队身份认证提供商(Identity Provider)的网络隧道、用于功能测试的 Web 前端应用,以及用于浏览和审查各个 UI 组件的 Cosmos 环境。这种开箱即用的配置让她无需每次手动敲击繁琐命令,就能迅速准备好测试环境。 更进一步,Marina 结合了 Git Worktree 来并行开发不同的功能分支。在传统的开发流程中,同时在本地跑多个功能分支往往意味着需要记住各个端口号,极易引发混淆和端口冲突。为了解决这一痛点,她引入了 Vercel 的 Portless 工具,让每个分支和功能在启动后端、前端与 Cosmos 时都能绑定到专属的独立 URL,而不是杂乱的本地端口号(如 localhost:3000、localhost:8080 等)。 ```mermaid flowchart TD accTitle: Git Worktree 与 Portless 多环境并行架构 accDescr: 展示主分支与多个功能分支如何通过 Worktree 与 Portless 映射到专属 URL,实现完全隔离的开发测试环境。 subgraph DevEnvironment["主开发环境 (Dev Branch)"] D1["Dev Branch"] --> D2["PR 审查 / 线上 Bug 排查"] end subgraph WorktreeInstances["Git Worktrees (并行分支)"] W1["Feature 1 Branch"] -->|"Portless 动态分配"| U1["专属 URL 1 (脑暴/高频决策)"] W2["Feature 2 Branch"] -->|"Portless 动态分配"| U2["专属 URL 2 (ADR 阶段/等待评审)"] W3["Feature 3 Branch"] -->|"Portless 动态分配"| U3["专属 URL 3 (子 Agent 执行/低干预)"] end Terminal["Warp 现代化终端配置"] -.-> DevEnvironment Terminal -.-> WorktreeInstances ``` - Warp 终端预设一键拉起五大模块:任务 Backlog、BFF 磁盘日志云会话、身份认证隧道(War Tunnel)、Web 应用程序、Cosmos UI 组件库。 - “So I don't need to kind of remember all the ports where I'm testing what because I see, okay, feature one is on this URL, so I can test that.” Marina 借此展示了通过固定域名识别测试实例的便利性。 - “And I do this with portless, so I warmly recommend portless, it's very nice.” 她热烈推荐了这款由 Vercel 出品、能按功能分配独立 URL 的轻量级本地代理工具。 --- ### [01:00:29](https://www.youtube.com/watch?v=C37Wag4cuhU&t=3629s) 多任务并行:四组标签页驱动的 Agent 协作日常 通过分栏和标签组,Marina 展示了她在日常工作中如何同时推进处于不同生命周期的四个工作流。第一个标签组始终停留在主开发分支(Dev),她习惯一直保持开启,专门用于快速 Review 同事的 PR、复现或排查突发 Bug,以及检查本地环境是否有配置异常。 紧随其后的三个标签组则分别对应不同特性的推进阶段: - **粉色标签组(Feature 1):** 处于头脑风暴与原型探索阶段,这需要极高的认知投入。Marina 需要在此阶段频繁做决策、审批 Agent 提出的多种技术方案,并实时在浏览器中查看生成的前端 HTML 页面效果。 - **第二标签组(Feature 2):** 已进入架构决策记录(ADR, Architecture Decision Record)阶段,相应的 PR 已推送到 GitHub 等待同事评审,当前处于只读或等待状态,无需投入过多操作。 - **第三标签组(Feature 3):** 已推进至子 Agent(Sub-agent)全自动化实现阶段。由于前期在探索与规划(Explore and Planning)阶段已经与 Agent 进行了非常严密的推演,进入此阶段后只需极低的人工监督(Low-level oversight)。 对于最后这种全自动实施的阶段,Marina 强调它可以脱离人工监控独立跑上半天甚至一整天,她只需在执行完毕后介入进行成果验收即可。 --- ### [01:01:48](https://www.youtube.com/watch?v=C37Wag4cuhU&t=3708s) 核心总结:多态思维的五大关键启示与闭幕致谢 在演讲结尾,Marina 提炼并重申了在 AI Agent 时代保持竞争力的五条核心法则,系统回应了为何“多态思维(Polymorphic Mindset)”至关重要: 1. **AI 仅是画笔,核心在人:** “AI is just a tool, nothing more. And what makes it magical is your brain combined with it.” 她以绘画作比:给不同的人同样的调色板、颜料和画笔,有人只能画出火柴人,而有人能画出毕加索;这既是工程也是艺术,工具本身并无魔力,工程师的大脑与其互动才是关键。 2. **工作流即产品:** “The workflow is the product. Every finished task that you get is just a test that your workflow works.” 交付的具体任务只是验证工作流设计是否健康的试金石。 3. **工程师对所有生成代码承担全责:** “Don't like blame the AI later. It's like your responsibility, your process.” 永远不要在出问题时推卸责任给 AI,代码的归属权与最终责任永远在工程师自身。 4. **多态适应力是未来核心壁垒:** “And the key skill to the future, I think, is adaptive capability, being polymorph, the ability to learn and change context.” 在不同角色、上下文与抽象层级之间快速切换的能力,是面向未来的关键技能。 5. **没有验证机制的代码毫无价值:** “And finally, without verification, Claude produces plausible looking code that doesn't actually work.” 若缺乏严谨的自动化验证和审查闭环,LLM(如 Claude)只会批量制造“看起来合理但根本无法运行”的代码幻觉。 最后,Marina 感谢了现场观众,展示了用于收集反馈和个人 LinkedIn 的二维码,并介绍 Kodemaker 现已上线为期两天的深度实战培训课程。她向现场听众分享了专属优惠码 `NDCi`,在观众的热烈掌声中结束了本次演讲。 ## Notable quotes > [01:01:48](https://www.youtube.com/watch?v=C37Wag4cuhU&t=3708s) The workflow is the product. Every finished task that you get is just a test that your workflow works. — Marina Santos Haugen > [03:22](https://www.youtube.com/watch?v=C37Wag4cuhU&t=202s) Value shifts from executing tasks to shaping systems. — Marina Santos Haugen > [01:01:48](https://www.youtube.com/watch?v=C37Wag4cuhU&t=3708s) And the key skill to the future, I think, is adaptive capability, being polymorph, the ability to learn and change context. — Marina Santos Haugen > [00:06](https://www.youtube.com/watch?v=C37Wag4cuhU&t=6s) AI gives us the ability to shift shape when the context demands it. — Marina Santos Haugen > [01:01:48](https://www.youtube.com/watch?v=C37Wag4cuhU&t=3708s) AI is just a tool, nothing more. And what makes it magical is your brain combined with it. — Marina Santos Haugen ## Mentioned Marina Santos Haugen, Kodemaker, 挪威科技大学 (NTNU), DNB, 麦肯锡 (McKinsey), 波士顿咨询 (BCG), 宝洁 (P&G), Anthropic, Claude, Claude Code, Claude Desktop, Model Context Protocol (MCP), Figma, Miro, Linear, Jira, GitHub, Semgrep, Playwright, Context 7, Notion, Next.js, ChatGPT, React, Vue, 21st.dev, Kali Linux, Docker, Hydra, John the Ripper, Rahul Garg, Gemini Flash, Google, OpenRouter, React Cosmos, Storybook, Conductor, Warp, Portless, Vercel, Slack ## Video description This talk was recorded at NDC AI in Oslo, Norway. #ndcai #ndcconferences #developer #softwaredeveloper Attend the next NDC conference near you: https://ndcconferences.com https://ndc-ai.com/ Subscribe to our YouTube channel and learn every day: / @NDC Follow our Social Media! https://www.facebook.com/ndcconferences https://twitter.com/NDC_Conferences https://www.instagram.com/ndc_conferences/ #ai #aiagents Over the past year, I’ve worked across three projects diving deep into agentic AI workflows – from building a full CRM in three weeks on my own to collaborating in AI-driven teams. A clear pattern emerged: how much more we can do as developers when tools let us shift roles as the work demands. I call this a Polymorphic Mindset. In this talk, I’ll share practical agentic AI workflows, relevant research on why this way of working matters, and what happens when you take it further with agent teams working in parallel. How do we preserve the mental model when AI generates thousands of lines of code in seconds? Expect concrete examples throughout, set in a retro pixel-art cyberpunk world spanning ocean floors and desert landscapes. [Source](https://www.youtube.com/watch?v=C37Wag4cuhU)

Source quotes

[61:48] Marina Santos Haugen: The workflow is the product. Every finished task that you get is just a test that your workflow works. [3:22] Marina Santos Haugen: Value shifts from executing tasks to shaping systems. [61:48] Marina Santos Haugen: And the key skill to the future, I think, is adaptive capability, being polymorph, the ability to learn and change context. [0:06] Marina Santos Haugen: AI gives us the ability to shift shape when the context demands it. [61:48] Marina Santos Haugen: AI is just a tool, nothing more. And what makes it magical is your brain combined with it.