我为什么不相信 Agent 说「完成了」

Agent 最容易让我放松警惕的地方，不是它不会做，而是它经常能把事情做到「看起来已经完成」：功能写出来了、测试跑起来了、汇报也交得出来。

但这些只是执行结果的信号，不是结论。我现在不会把「Agent 说完成了」当成结论，只把它当成一个待验证的信号 —— 因为作品集的阶段报告本身就是执行者写的，仓库里那句原文是「作者（AI）」。自己写的报告，不能自己当验收。

一、Agent 最容易让人放松警惕的地方

「完成」是一个需要被验证的工程状态，而不是 Agent 自己宣布的状态。

二、我的实际工作方式

我通常先让 GPT 帮忙分析需求和架构，再把工作拆成阶段交给 Agent 实现：

1. 把需求写清楚，让 GPT 分析需求与架构。
2. 把工作拆成几个阶段，而不是一次做完整个项目。
3. 让 Agent 按阶段实现，每阶段结束后检查一次。
4. 检查里除了「这一阶段做完没有」，还要回答「之前已经完成的东西有没有被搞坏」。
5. 全部阶段完成后，再对整个项目检查一次。

三、第一条经验：阶段完成 ≠ 项目没有问题

有一条典型记录：Stage 1 被认为完成之后，Stage 2 的一致性检查发现主按钮的前景色丢了。原因是类名合并工具不认识本项目的字号刻度：text-body（字号）与 text-accent-fg（颜色）被判成同组冲突，后者被删掉，Lighthouse 报出的对比度只有 3.45:1。修复是显式声明字号刻度（extendTailwindMerge）：产物里的按钮重新包含 text-accent-fg，无障碍得分从 96 回到 100，并补了回归测试 tests/unit/cn.test.ts。

这是 Stage 1 遗留的问题：当时它的页面没有主按钮实例，直到 Stage 2 的首页第一次真实使用它才暴露。阶段完成，不等于它留下的结果仍然成立。

四、第二条经验：测试通过 ≠ 用户看到的结果正确

有两类问题在「测试通过」这一层完全看不见：一类在部署链路上，一类在真实运行环境里。

CSP 头曾经长到 4,154 字节 / 72 个 hash，超过 nginx 单参数 4,096 字节的上限 —— 服务器加载这份配置时 nginx -t 直接失败。排除不该计入的 30 段 JSON-LD 后，hash 72 → 60、这一行 4,154 → 3,506 字节；再加护栏，超限就让构建失败。后来（2026-10-08）加入 Blog，数字再次涨到 4,694 字节 / 82 个 hash，最终拆进多个 nginx set 参数，每个都远小于 4,096，但仍只发一个 CSP header。

另一个例子更小：简历链接在非生产构建里被写成绝对 localhost 地址（http://localhost:3000/resume.pdf），本地门禁全部通过，只有在 CI 里跑浏览器冒烟时它才被判成坏链接。

所以我现在把「测试通过」当成某一层的证据，而不是最终结论。

五、第三条经验：Agent 的上下文也需要边界

我使用 Agent 时，遇到过输出里出现明显不属于当前项目的内容。遇到这种情况，我不会先给原因下结论 —— 是哪一层机制造成的，手上没有证据；动作是回到项目本身重新检查上下文与既有设计。

这类「走偏」在这个仓库里也有更朴素的版本：内部作者笔记被导出到公开产物、文档引用过从未存在的阶段编号。共同点是：生成的内容和工程上下文都需要一道边界检查。

六、我最终形成的验证方式

把这些放在一起，就是现在在用的五件事：

1. 分阶段：13 份阶段报告，每份都写明范围与「未完成内容」。
2. 阶段完成检查：看每阶段的测试结果与 Stage Gate。
3. 阶段间回归检查：Stage 2 的 9 项一致性检查，其中一项是「是否破坏 Stage 1 门禁」。
4. 全项目最终检查：npm run verify（10 道门禁）、npm run test（46 个测试文件 / 382 个用例）、npm run smoke-check（92 项浏览器检查），CI 在构建后再检查一次产物。
5. 高风险结果人工确认：数据库与测试结果我自己确认；发布门槛是人工确认，架构与文案类改动不擅自执行。

七、最终反思：不把「AI 的结论」当成最终证据

我并不要求 Agent 永远不犯错。我更在意的是：它犯错以后，我有没有办法发现。

Agent 越能承担执行工作，验证反而越重要 —— 执行变快了、验证没跟上，只是把不确定性往后推了一步。

这个 Blog 的六篇文章是同一个判断的六个切面：并发约束、真实运行链路、不让大模型自己决定评分结果、评价体系可信、固定测试集比较检索策略、模型看到的页面状态是否真实。这一篇是第七个：不让 Agent 自己宣布项目已经完成。

一句话概括现在的习惯：先让结论可验证，再谈优化。 相关的项目与实测数据在项目页里：查看 CodePilot AI 项目详情。