TL;DR:SpaceXSI 工程师 Lauren Tan 说,她在演讲前一个月让约 3,000 个 PR 上线,Grok Bot 全队约 11,000 个,全队 revert 率约 0.5%。她给的做法是一座信任金字塔:agent 犯错时,先改代码库、写确定性检查、补验证,最后才在规则文件加一句话;她也说,这个速度是在约半年的环境工程之后才做到的。转发这场演讲的热门帖子大致抓到重点;比较容易误读的,是它引用的长文开头那两句:多 agent 强 90%、Cursor 一周做出浏览器,原文都有前提。
11 月 15 日,X 上一则英文帖子介绍了 Lauren Tan 的演讲:agent 每犯一个错,就变成一条 lint 规则,不是一句 prompt;agent 用视频、截图和测试验证自己的成果;结果是一个月 3,000 个 PR 上线;她的代码库现在干净到 agent 会自己合并大部分的 PR。我 11 月 19 日读的时候,这则帖子显示约 500 万次浏览。
帖子引用了同一位作者两天前的长文〈How to build an AI agent swarm that works without you〉,开头两句是 Anthropic 的 agent 团队赢过单一 agent 90%、Cursor 一周做出浏览器。两则放在一起读,很容易读成:多开几个 agent,让它们自己跑,产能就会爆炸。
我把演讲视频、官方讲稿页,还有被引用的原文都翻了一遍。演讲在讲的,是先把让 agent 不容易出错的环境盖好;这两则帖子里最醒目的三个数字,在原文里各有前提。
这篇是「智能与秩序」系列的一部分。
Lauren Tan 是谁?〈All Code Is Slop (Except Mine)〉在讲什么?
Lauren Tan 网名 poteto,是 SpaceXSI 的 Principal Engineer,属于 Grok Bot 的核心团队。SpaceXSI 是 SpaceX 旗下的 AI 部门,前身是 xAI;Grok Bot 是他们做 AI 队友的产品,桌面版是一个 Electron 应用程序。她之前是 Meta React 核心团队的成员,参与过 React Compiler,2026 年初曾加入 Cursor。
2026 年 11 月 11 日,她在旧金山 AI Engineer Code Summit 的主舞台讲了〈All Code Is Slop (Except Mine)〉。slop 在 AI 圈常指大量产出、质量粗糙的东西。原始资料可以看官方讲稿页和演讲视频,视频约 17 分半。
agent 犯错时,修正该放在哪一层?
她把让 agent 写出可信代码的工作排成一座倒过来的金字塔。最宽的一层在最上面,越宽的层,是她认为工程师时间越该投资的地方。由上往下是:
- 代码库本身:API 设计、架构、重构。
- 不靠模型判断的检查:lint、类型、编译器、测试。
- 验证:让 agent 把代码跑起来测的运行时验证,以及形式化验证。
- 文字规则:AGENTS.md、rules、skills 这类要靠模型判断的说明。
最下面的尖端是人工审查,越往尖端,成本越高。
很多人用 AI 写代码,遇到 agent 犯错,第一个反应是在 prompt 或规则文件多写一句「不要这样做」。她把顺序倒过来,理由是代码库是 agent 最大的输入:代码里留着的权宜写法,下一轮 agent 会当成既定惯例照抄。她拿园艺来比喻:2024 年她要审的,是同事写的三个 PR;到这场演讲时,接近 300 个。所以每次纠正 agent,她会先问两件事。能不能变成一条确定性检查,让它犯错的当下就被拦下?更好的是,能不能从设计上把错误的选项拿掉,让这种错根本写不出来?
文字规则没有消失。需要判断、写不成检查的事,还是留在这一层。转发帖子说「每个错都变成 lint,不是 prompt」,少了这个前提。
她怎么把错拦在代码里?
她举的问题多半是在 Cursor 看到的,Cursor 和 Grok Bot 一样是 Electron 应用程序;解法则做在团队替 Grok Bot 做的框架 Dune:
- 禁用容易用错的 API:产品代码不准用 React 的
useEffect,只有指定的框架 API 可以用。她的理由是,agent 一再用不好这个 hook 需要的判断。官方讲稿页也注明,这是团队本地的架构选择,并没有主张这个 hook 一律不该用。 - 用目录和 lint 画边界:在 Cursor,agent 曾把主进程的代码 import 进界面进程。Grok Bot 把主进程和界面进程分在两个明确命名的顶层目录,依赖分析工具和 lint 规则禁止两边互相 import。
- 少写注释,多写 lint:同样在 Cursor,agent 曾用
setTimeout、requestAnimationFrame这类计时器,硬补命令式和声明式写法之间的冲突,再写一段注释替权宜写法辩护。Grok Bot 团队后来禁掉大约 99% 的注释,改用 lint 规则,错误消息直接告诉 agent 去修根本原因。
agent 重复犯同一个错时,她的顺序是先写一条 lint,拦住新的错误写法,再回头清掉旧的例子,免得下一个 agent 照着抄。
人审 PR 的方式也跟着变。她说审查已经缩小成看 agent 交出来的验证产物:视频、截图、图表,以及形式化验证的结果。agent 会通过 Chrome DevTools Protocol 操作运行中的应用程序;TLA+ 用来检查多设备通知的设计,Lean 用来证明一个虚拟化算法的性质,另外还有属性测试式的 UI 测试。这些她都当成实验和初步成果在讲,也说形式化方法有前景,但不是万灵丹。
她自己大部分的 token 都花在验证上,不是花在写代码上。她也引了同事 Cindy Sridharan 的说法:每天约 70% 的 token 用在验证。
我自己踩过的版本:被拦下的 agent 换了一条路
我不是工程师,但这个顺序我在自己的流程里遇过两次。
第一次是设置 Grok 当审查员。我在 Mac 上限制它不能写文件,它被拒绝之后,改用 shell 试着从另一条路写入,最后被 macOS 的沙盒拦下来。后来我替它叠了三层只读限制:工具清单只开放读取类工具,权限规则封锁写入和命令行,最底层再由沙盒拦一次。一层被绕过,还有下一层。对照 Lauren Tan 的金字塔,第一道限制拦住了它原本的写法,没拦住它换的路;最后拦下它的,是最后一层的沙盒。
第二次是改稿。我曾把五类检查接进送稿前的脚本:对比句型、破折号、顿号连发、短句连发,以及预设的填充词,让脚本把可能要回看的地方集中标出来。
但脚本也有管不到的地方。它标出的是可能要回看的句子,不是改稿的命令;语意、语气和经验是不是真的,还是我自己核对。工具能帮忙找问题,不能替我确认一段没有发生过的故事是真的。我把这读成金字塔最后还要留着文字规则和人工审查的理由:我这支脚本能标出句型,标到的不一定都是问题,也确认不了事实。
写这篇的时候,我把自己累积的 74 条纠正记录照这个分法排了一遍,也请 codex 根据摘要独立排了一次。两边对过之后,17 条的文字现在就能删,因为检查已经写好,或那条规则的前提已经不在了;23 条可以改写成检查;34 条只能留在文字里,大多是判断、授权和写作声音。
排完之后我比较在意的是另一件事:有三处我以为已经在把关的检查,验的是错的版本。例如原文改过之后只重翻一个语言,另外两个语言的旧译会被记成已经更新。这三处还没修,是下一步要做的事。我的读法是,排在金字塔前面几层的检查,自己也要有人回头验。
澄清一:三千个 PR 背后,被省略的半年和 0.5%
演讲里的数字是这几个:
- 她个人在演讲前一个月约 3,000 个 PR 上线。
- Grok Bot 全队同一个月约 11,000 个 PR 上线,10 月约有 227 人至少贡献过一个 PR,稳定版客户端大约每天发一次。
- 全队 revert(合并后又撤回)的比率稳定在约 0.5%,演讲没有给她个人的比率。较完整的讲稿整理注明,这只算被撤回的 PR,后来另开 PR 修掉的 bug 不算在内。
帖子写的 3,000 个没错,漏掉的是两件事。一是她说自己花了约半年调整 agent 的工作环境,才习惯这个速度,而且这半年是在任何「软件工厂」式的自动化之前。二是那 0.5%。我读下来,数量敢放大,靠的多半是前面盖的检查和验证;只看数量,看不到这一层。
帖子还写到,她的代码库现在干净到 agent 会自己合并大部分的 PR。演讲里的说法是 agent「可以」自己合并大部分的 PR;官方讲稿页把它写成一个条件:纠正一条条变成检查和设计之后,要审的东西少到某个程度,就可以让 agent 自己合并。目前确定在跑的自动合并是另一条流程:每次发版之后,有一个 Cursor 项目会像真实用户一样操作整个 build,找到 bug 就开修正 PR、自动合并。她也说,多数上线的产品代码已经不需要人深入审查。
她还说了一句我想记下来的话:如果内圈的编程循环产出的是 slop,把它自动化只会产出更多 slop。
这些数字都是她在台上自己报的,我没找到第三方核查。官方讲稿页也写明,这是团队自报的成果,不是对照实验,不能证明别的代码库也会一样;讲稿页里也没有这些 PR 的大小、类型,或总共用掉多少 token。
澄清二:「agent 团队强 90%」比的是什么?
这个数字出自 Anthropic 2025 年 6 月的工程文章〈How we built our multi-agent research system〉,精确值是 90.2%。常被省略的前提有三个:
- 比的是 Anthropic 内部的研究型评测:Claude Opus 4 当主 agent、带几个 Claude Sonnet 4 子 agent,对上单独一个 Opus 4。
- 这是查资料、做研究这类可以平行拆开的工作,不是写代码的评测。
- 同一篇文章写到,多 agent 系统约用掉一般聊天 15 倍的 token;而且多数写代码的任务,能真正平行拆开的部分比研究少。
同一篇文章里有两个 90%。另一个是并行化让复杂查询的研究时间最多缩短 90%,那篇长文的正文用的是这一个。
公平地说,那篇长文的正文写得比开头谨慎。它有一整段讲什么时候不该用一群 agent:引了 15 倍 token 这个数字,也引了 Google Research、Google DeepMind 和 MIT 的研究〈Towards a Science of Scaling Agent Systems〉。这份研究发现,多 agent 协调在能平行拆开的任务上有明显帮助,在循序的任务上反而变差。作者也建议先用一个 agent 试,结果够好就停。被放大的主要是开头那两句。这篇长文在 X 上标示为 Paid partnership,也就是付费合作内容,文末写明由 AI 员工服务 Viktor 赞助。
Cursor 一周做出浏览器,证明了什么?
这件事部分是真的。Cursor 在 2026 年 1 月的〈Scaling long-running autonomous coding〉写到,他们让 agent 从零写一个浏览器,跑了将近一周,写出超过 100 万行代码,分布在 1,000 个文件里。agent 分成三种角色:规划者持续探索代码库、拆出任务,执行者专心完成任务,评审在每一轮结束时判断要不要继续。Cursor 原文写的是数百个 agent 同时在跑;Simon Willison 在他的文章里记录,高峰时大约 2,000 个。
「一周」要加注。据 Simon Willison 整理的对谈,将近一周是截至 Cursor 发文时最长的一次连续执行;整个研究项目大约三周,在那之前,它是 Wilson Lin 2025 年 11 月开始的个人 side project,先用单一 agent 做。「从零」也要打点折扣:agent 自己引入了 Taffy、QuickJS 等现成的软件包。他们也容许 agent 留下小的暂时性错误,用正确性换吞吐量。
但它是研究实验。Simon Willison 那篇文章整理自他和项目作者 Wilson Lin 录的对谈,Wilson Lin 在里面说,他们从来没打算把它做成正式上线或可以用的软件;当时 JavaScript 是关掉的:引擎还在实现,一个 agent 先把它放到功能开关后面。它证明的是 agent 能长时间协作,不是这样做出来的东西可以直接用。
先盖环境,再谈放手
把三件事放在一起看,我读到的共同点是:AI 写代码的产出数量可以放大到很夸张,但每一个放大都有前提。Lauren Tan 的数字,据她说前面是半年的护栏工程;Anthropic 的 90% 比的是适合平行拆开的研究任务,多 agent 本身也比一般聊天多用约 15 倍 token;Cursor 的浏览器是实验。
这个月初我写过 Thorsten Ball 的十五条 Agent 工作习惯,其中一条说不必再担心 agent 堆出杂乱代码。当时我的读法是,他能不担心,跟他的工作条件有关。Lauren Tan 这场演讲把这类条件摊开来了:代码库的边界、拦得住错的 lint、agent 自己跑的验证,还有花在验证上的大部分 token。一个说别担心 slop,一个说所有代码都是 slop,我读成同一件事的两面。
这跟我在〈想让 AI 做更大的事,先把抓错的机制搭好〉写的是同一条线,Lauren Tan 多给了一个答案:错要拦在哪一层。
下次 agent 又犯同一个错,先别急着在规则文件加一句话。先问这能不能写成一条测试或 lint,让它犯错的当下就被拦下来;再问能不能换一种写法,让这个错根本写不出来。两个都做不到,再写进规则文件。
规则文件写得越长,越值得回头看看,哪几行可以交给代码。


💬 留言讨论
加载中...