来源笔记
When Cognitive Labor Becomes Abundant
摘要
Agent harnesses 将 AI 使用方式从单次聊天回复变成可委派的工作流，包含记忆、工具、权限和审查循环。文章认为，随着机器认知劳动变得更便宜，人的价值会转向方向设定、品味、验证和工作流设计。
问题
- 基于聊天的 AI 使用方式对复杂工作来说范围太窄，因为每个会话通常都需要重复提供上下文，而且产出的是孤立答案。
- 知识工作者面临协调问题：廉价的模型输出会产生大量草稿、主张和制品，数量可能超过个人可检查的范围。
- 这一点很重要，因为小团队和个人可以使用 agents 探索更多选项、构建制品，并运行过去需要员工才能完成的工作流。
方法
- 把提示词当作工作单：定义目标、输入、约束、预期制品、测试和审查标准。
- 使用 OpenAI Codex 等 agent harnesses，让模型读取文件、编辑制品、运行命令、调用工具、创建 diff、请求批准，并返回已完成的工作。
- 并行运行多个 agents 或工作流，然后比较输出，选择证据、修复、备忘录或制品中最强的版本。
- 添加记忆、可复用指令、模板、工具和项目上下文，让重复任务改进，而不是每次从头开始。
- 让人类负责目标选择、质量控制、综合和最终发布。
结果
- 摘录没有报告受控实验、数据集、基准指标或基线比较。
- 文中称 OpenAI Codex 用户中排名前 1% 的人平均每天有 71 小时的 agent 运行时间，这支持了“持久运行的 agents 可以在人类注意力时长之外增加工作时间”的说法。
- 文中称用户应探索试错成本降低 90% 的项目，但这是规划启发式方法，不是测量结果。
- 文中称软件是第一个强用例，因为代码仓库、测试、日志和 diff 为 agents 提供了清晰输入和检查方式。
- 文中称主要瓶颈会转向判断、验证、品味和工作流设计，因为 agents 可以快速产生许多看似可行的输出。