项目中的 AI 代理：测试代替审查

多项目并行AI代理工作：实践与挑战

中高级开发者越来越多地同时管理多个项目，每个项目都在其IDE中运行Claude AI会话。团队不再依赖传统的代码审查，而是更倾向于生成测试场景和预演，用于黑盒测试。这虽然加速了迭代周期，却给操作者带来了巨大压力——频繁切换上下文导致注意力分散，使人类成为流水线中最薄弱的一环。

测试优于审查：以EVM机器人为例的案例研究

与其手动审查代码，不如采用以下流程：由代理生成实现，操作者定义测试场景并进行日志分析。以一个基于Rust的机器人为例，它从外部源获取价格数据，并更新EVM智能合约：

• 通过WebSocket订阅CEX事件；
• 价格变动时发送交易。

预设优化包括：

• nonce 离线计算，避免调用 eth_getTransactionCount；
• 固定 gasLimit，跳过 estimateGas；
• 仅使用 sendRawTransaction，并通过轮询方式在多个地址间分发。

生成后，验证过程无需查看代码：

// 验证用的示例预演场景
mock_send_tx();
log_analysis();

测试场景与迭代优化

操作者需设计一系列测试来覆盖边界情况：

• 同时从当前状态和干净环境进行并行代码审查；
• 处理数据源中断场景；
• 监控 gasPrice，防止资金被耗尽；
• 埋点统计tick处理时间（异步发送交易？）；
• 模拟交易发送，结合预演与日志分析；
• 后台服务：余额、nonce和确认状态监控；
• 组件间的同步一致性检查。

每一步都是迭代式推进——代理根据新场景不断优化。最终结果是一个功能完整的机器人，涵盖正常路径和已知问题，全程无需人工代码审查。该方法在操作者具备领域知识、能预见潜在陷阱时效果最佳。

缺乏专业能力时的常见陷阱

当操作者缺乏对最优方案的理解时，问题便接踵而至：

• 仅描述选项无法触发代理自动研究或选择最佳路径；
• 代理频繁要求澄清，而非自主分析；
• 操作者陷入被动等待，寄希望于‘奇迹’出现。

这揭示了一个核心事实：AI可以放大人类能力，但无法取代人类智慧。开发者的角色正演变为AI专家操作员：

• 同时管理N个项目的并行任务；
• 深入掌握领域知识；
• 对最终结果承担全部责任。

关键启示

• 在非关键区域，测试与预演比代码审查更高效，适合快速验证；
• 对高频EVM机器人而言，RPC优化（离线nonce、固定gas）至关重要；
• 迭代测试场景可覆盖边界情况，无需人工审阅代码；
• 操作者专业能力不可或缺——AI无法自主解决未知问题；
• 未来方向：在统一任务环境中协调代理与操作员协同工作。

协调机制的未来展望

为缓解上下文切换带来的疲劳，协调工具必不可少：

• 统一的项目信息空间；
• 仪表盘展示待办任务、空闲代理与活跃上下文；
• 根据权限与技能等级分配操作者，类似热线系统。

这些工具能实现工作负载合理分配，减少代理闲置时间，稳定整体流程。同时运行多个IDE和Claude会话已成为常态，这对纪律性和工具支持提出了更高要求。

— Editorial Team