当天的证据更支持对大语言模型（LLM）编码工作的实际控制。agent-stack 给出了最具体的 token 节省说法。BotCircuits 把工作流路由放在模型之外。Martin Fowler 的文章则说明，代码质量仍然依赖共享概念和测试。
agent-stack 将 token 成本当作仓库初始化问题来处理。它的命令会生成 Claude Code 和 Cursor 文件，写入 CLAUDE.md、AGENTS.md、.claudeignore、skills、hooks、Cursor rules 和一个 code map。这个 code map 在打开源码文件前先给 agent 一个紧凑的符号索引。
README 声称，整个设置在两分钟内完成，生成 20 个文件，接好 2 个 hooks，并提供一个经过验证的 CLAUDE.md，其启动 token 上限是 800。示例显示当前每天输入 token 为 7,180，基线为 12,340，下降 41.8%。这些是项目自己的说法，不是独立基准，但 measurement hook 和保存的 baseline 把成本目标写得很明确。
BotCircuits 把流程路由和模型推理分开。工作流以 JSON 文件形式放在 .botcircuits/workflows/ 下；构建后，每个工作流都会变成一个可调用工具。LLM 处理每个 agentAction，运行时则执行 start、next 和编译后的分支条件。
它的实际承诺比标题更窄。README 给出了架构和使用细节，包括 Anthropic、OpenAI 和 Gemini 的 provider 设置、FastAPI gateway，以及消息通道。它没有报告 token 成本、延迟、任务成功率或偏离率结果。
Martin Fowler 的文章给生成代码提供了设计层面的提醒。它把 code 定义为机器指令和领域的概念模型。对 LLM 工作有用的是名字、边界、不变量，以及人和工具都能共享的测试。
这篇文章没有量化结果。它在这个阶段的价值在于维护论点：当团队接受了自己不理解的词汇和结构时，生成代码会带来认知负债。稳定的抽象和测试被当作让 LLM 输出更容易审查和维护的上下文。