Wink Pings

别再当AI的免费实习生:用图、循环和逆向工程搭建AI代理团队

BuBBliK发布了一份AI代理构建指南:逆向工程定义需求,图规划依赖,循环检查结果,把Grok、Claude和ChatGPT编排成团队。本文提炼整套流程,附演示视频和网友反馈。

BuBBliK在推特上分享了一段视频和一篇长文,配文:“this is pure f*cking treasure”。视频演示了如何构建第一个AI代理。他说,如果一年前看到,他的第一个Agent当天就能上线,而不是花两周。

那篇长文是《Graphs, Loops & Reverse Engineering: Build Your Own AI Team (Full Guide)》。核心思路:让Grok Bot、Claude和ChatGPT在同一团队里工作,用图分配任务,用循环检查结果,用逆向工程定义目标。这样,你不再是AI工具的免费实习生。

痛点很常见:你让Grok调研,让Claude写方案,让ChatGPT提意见。一小时后,你得到三个聊天窗口、相互冲突的答案,以及一份搬运上下文的工作。你仍然记得需求,仍然发现错误,仍然决定下一步。每个交接都依赖你。要委托更多工作,你需要流程。

BuBBliK以“把文章转成社交媒体卡片”为例,拆解出八个步骤。

1. 逆向工程行为
截图能显示布局,但无法告诉你标题超长、输入为空、导出十张卡片时会发生什么。先用截图、描述和实际试用观察用户旅程,让模型区分观察与假设,提出最小版本及验收检查。

2. 给每个模型有界任务
Grok Bot带搜索,负责调研公开讨论和抱怨;Claude负责分析工作流、写规格;ChatGPT带开发工具,负责实现。角色不固定,根据结果和工具调整。

3. 先画依赖图
图让依赖显性。调研和界面分析可并行,实现需要规格。每条连线传递需求文档、代码、失败报告。还要注意共享资源冲突。

4. 定义“完成”
每个任务要有紧凑的契约:输入、输出、验收检查、范围。比如导出卡片:输入当前卡片、顺序、尺寸;输出每张PNG;检查文件数、顺序、尺寸、文本。先写这些条件,否则你会接受模型构建的任何东西。

5. 建立能拒绝工作的循环
产生 -> 检查 -> 修复 -> 再检查。失败报告要具体:组件、条件、失败、期望、修复范围。代码检查用代码;含义或视觉质量,用人工或另一个模型,用明确标准,要求证据。

6. 返回失败单元
导出坏了就只修导出,不要重新生成整个应用。每次返回包括单元、失败证据、期望行为、允许范围。设置重试或支出限制。达到上限,保留尝试,升级诊断。

7. 保存经验教训
修复后,保存可复用规则:标题过长时要检查窄屏布局。附上证据和适用范围。整个聊天记录里也有废弃想法和错误假设,提取确认的教训。

8. 自动化交接
先用共享文件手动测通流程。重复后,写程序调用API、传递结果、运行检查、执行限制。检查通过则前进,失败则返回,达到限制则停止并诊断,需要用户决定就等待。不要指望订阅几个聊天产品就自动集成。

在自动化前,想清楚人的判断放哪里:范围、未决需求、重大操作的批准。可逆的本地变更和发布/修改生产数据应有不同权限。

BuBBliK建议从一条完整工作流开始:粘贴文本、编辑卡片、导出图片。对比单模型尝试,跟踪时间、成本、残留缺陷、干预频率。如果协调成本大于收益,简化图。每当被迫输入“继续”、重复要求、解释可避免的失败,记录原因。这些观察能改进下一次运行。

推文发出后,回复区里有人表示共鸣。“The unpaid intern line hit too close, my bots demoted me to intern this week”(“被免费实习生这句戳到了,这周我的bots把我降级成了实习生”)。另一位网友说:“三个模型在一个团队里,人类还是那个被困在‘站会’里的人。”讽刺,但也是事实。

这套方法与主流“让一个最强模型干到底”的路径不同,更像是把软件开发中的分工、评审、迭代搬到了AI协作中。模型间的一致不是证据,来源要验证,可执行的工作要运行。判断最终仍由人做出。如果你正在做AI代理,或者只是受够了在不同对话框之间搬运信息,这篇指南值得一读:完整指南。

发布时间: 2026-11-22 07:45