没错，公开录取。我的隐秘羞耻。

我只用了几年的经验就成为了经理，不久之后就成为了总监。管理一个由 20 人组成的团队意味着我把所有的时间都花在了管理上，而没有时间编码。

我整个职业生涯都希望我能“跳入代码”并帮助团队，但每次我打开 IDE 时，努力与影响的比率都相差甚远。我最好管理这个项目。

大约 4 个月前，我开始在我们的主代码库上全速进行 vibe 编码。不是副项目，也不是一次性的内部应用程序。我开始在控制我们无人机机队的实际代码上，在数百万行的单一存储库中进行 vibe 编码。

前 2 个月用于氛围编码，后 2 个月用于代理 AI。在代码提交方面，我现在在 Skydio 的贡献者中排名前 5，每小时提交多达 10 个拉取请求。我的代码更改并不复杂，但很有价值！

经理和主管：你对团队代码的贡献远比你想象的要多得多。

这篇博文的目的是解释什么是氛围编码与代理 AI，以及我如何在 Skydio 应用它。在后续文章中，我将介绍如何在您的公司进行设置。

什么是 Vibe Coding 与 Agentic AI？

对于谷歌来说，这是一个更好的问题，但这里有一个快速答案。

AI 辅助编码/Vibe 编码是结对编程

Windsurf 和 Cursor 正在帮助您进入编码流程状态，在这种状态下，您可以在结对编程流程中的驱动程序和观察者之间无缝切换。作为驱动程序，您正在编写代码，人工智能会为您提供有用的建议。作为观察者，人工智能是进行更改的人，而你只是在对它进行代码审查，一次一行。

代理人工智能就像有一个实习生

在代理模型中，您将工作分配给一个过于雄心勃勃的实习生。您向代理提供的上下文越多，它就越有可能按照您想要的方式完成任务。很像实习生。

这两者之间的主要区别在于：

Vibe-coding 是一个活跃的过程，迭代以秒为单位。代理 AI 是一个被动过程，迭代以分钟为单位。

在博客文章的下一部分中，我将介绍从0.5倍速度的氛围编码到10倍速度的代理AI的过程。

以 0.5 倍的速度进行 Vibe 编码：只是一个带编辑的家伙。

我的起始目标很简单：我能帮我最超负荷的团队完成一些简单的工单吗？

团队说我可以提供很多帮助的一个领域是关于小的设计问题和 UI 错误，这些错误不需要全职工程师的技能，但仍然会消耗时间。诸如“更改此页面上的副本”或“如果缩小页面，此页面看起来很奇怪”之类的内容。

当时我权衡了我的选择：我是否可以通过进行更积极的指导（即微观管理）、清理 Jira 队列（即管理层自我满足）或只是自己修复错误来加快我的团队速度？让我们尝试压缩错误。请注意，我不（现在仍然）不知道 TypeScript。

请注意专用于终端 + 代码的空间量，这很快就会改变。

• 首先，我会手动搜索要编辑的代码。
• 然后我会要求 Windsurf （Cascade） 做出改变。
• 然后我会在浏览器中查看它，并在必要时进行迭代。

事实证明，我们的积压工作中有许多小的用户体验错误，没有人能够抽出时间来解决。人工智能需要多轮才能正确更改，并且代码通常需要在审查后进行更改，但我仍然在关闭一张又一张的工单。

我比开发人员快吗？不。

以 1.5 倍速振动：暴力破解问题

我的第一个突破：当你可以拥有 3 台机器时，为什么要拥有 3 台机器？

有一次，我遇到了一个乍一看似乎很简单的错误，但在 Relay 的深处却是一个棘手的问题。呸。我什至无法告诉你 Redux 和 Relay 之间的区别，更不用说弄清楚这一点了。AI 陷入了一个糟糕的循环：

从 A -> B -> A -> B -> A -> B -> A ->B 一个多小时。

我不是一个认输的人。我将修复这个错误。对话持续了一个小时后，人工智能无可救药地卡住了。它的背景如此深刻，以至于它拒绝尝试新颖的方法。所以我尝试了一些疯狂的事情：如果我开始：

• 3 个新的 Coder 工作区（远程开发机器）
• 具有 3 种不同的模型（Gemini、Claude 和 GPT）
• 有 3 种不同的提示

我会依次测试并向每个工作区提供反馈，希望其中一个工作区能够修复错误。我基本上乐观地对这个错误进行了 DDoS。我不再关心代码。重要的是修复错误。我想，如果它修复了错误，我以后可以清理代码。一个小时后，第二个工作区想出了解决方案，然后：我提交并合并了代码！

这为我开启了新的发展浪潮：如果这适用于 3 个 AI 代理解决 1 个难题，那么我应该能够将 3 个 AI 代理应用于 3 个简单问题。现在我开始在虫子中奔跑，速度加快了三倍。

我比开发人员快吗？比初级工程师还快。

3 倍工作区以 3 倍速度进行 Vibe 编码

现在我正在把票压碎。我要求我们的设计主管给我写一份清单，列出他遇到的每一块 UI 卡顿，我会比他写下来的速度更快地把它压碎。我会一次打开 3 个 Windsurfs，测试、提供反馈，然后继续前进。如果某个特定的 Windsurf 卡住了，我会通过将相同的问题交给下一个 Windsurf 来加倍/三倍。下一个最大的挑战是减少在更改/测试周期上花费的时间。我需要人工智能更快地做出正确的更改。

介绍：上下文文件（例如风帆冲浪规则）

Skydio 由一个大型单存储库工作，它与其说是代码库，不如说是 Skydio 历史上过去 10 年的考古挖掘。半完成的迁移、古老的代码和实习生在存储库中充斥着反模式和错误信息。当人工智能只有我的输入和其他代码作为上下文时，它编写的代码可以与亿万年前实习生的代码进行模式匹配。喝倒彩。

为了获得更好的结果，我需要向 AI 提供我们的编码最佳实践和要避免的反模式。我需要告诉它，在推送到 CI 之前，它可以使用哪些命令来运行单元测试。对我来说，这就是 Windsurf Rules，它只是你放入的一组 Markdown 文件。事实证明，超级简单。.windsurf/rules/my-practices.md

您可以将规则想象成自动输入系统的预先保存的提示。例如，如果您的提示是为您的前端应用程序编辑 TypeScript，您可以有一个相应的 .本最佳实践指南中的内容基本上是在提示后自动注入的。.windsurf/rules/typescript-best-practices.md

以下是我编写此文件的方式：

对上下文进行一遍又一遍的迭代是使其有效的原因

从本质上讲，当我解决工单时，我也了解了为 AI 提供动力的上下文。当它难以解决问题时，我会在事后问它是什么见解解锁了最终的解决方案。然后我会对上下文文件进行编辑，启动一个新的工作区（从头开始），并给它相同的提示。如果 AI 在这次运行中轻松解决了它，那么我的上下文文件更改就会达到预期的效果。

💡 管理者的关键见解：人工智能不会自动解决您的问题。 你必须投资工具。

此时，我已经关闭了足够多的工单，让其他开发人员注意到了正在发生的事情，他们开始询问更多有关 AI 工作流程的问题。

我比开发人员快吗？在简单的工作中比高级工程师更快。

以 10 倍的速度进行 Vibe 编码，具有 10 倍的工作空间

为了再次将我的工作效率提高三倍，我需要从等式中剔除最慢的东西：我。我能够一次进行大约 3 次风帆冲浪，但这占用了我所有的注意力。如果我要求它执行一项长任务，我必须保持我的 Windsurf 打开状态，并每隔几分钟确认一次后续步骤。我需要自动执行以下作：

• 自动设置工作区和开发服务器。
• 提供有关用户体验更改的基本反馈
• 在 GitHub 中起草提交和 PR。

编码员任务简介

编码员任务是 Agentic AI 的新入口点

Coder Tasks 是自动化工作区，专注于自动化从“提示”到 AI 代理执行任务的流程→自动化。如果将其设置为自动将代码推送到 GitHub，则可以并行化许多任务，并且在拉取请求准备好进行审查之前不要重新参与。

在这个模型中，我不会浪费时间在步骤之间等待。

任务是否需要几个小时并不重要，因为在人工智能完成更改之前我不会积极参与。另请注意，编写提示和测试预览不需要技术技能，这意味着：

Agentic AI 使每个角色的每个人都能为改进您的产品做出贡献。

设计人员可以提交颜色和格式修复。产品经理可以修复副本。Skydio 的飞行测试团队可以在他们发现的错误的同时提交修复程序。

MCP 是拼图的最后一块

MCP 只是“AI 集成”的一种花哨的说法，其中“MCP”是 Anthropic 说服世界遵循的技术标准。它允许 GitHub（公司）创建适用于所有 AI 代理的单一集成。对我来说，有 2 个 MCP 集成产生了巨大的影响：GitHub（问题和拉取请求交互）和 Playwright（浏览器交互）

绿色代表 GitHub 和 Playwright MCP 对我的旧工作流程的附加值。

使用 GitHub MCP，您可以解锁从 GitHub Issues 中读取的能力。这使您可以简化提示：“解决此<问题>，同时牢记<其他上下文>。更重要的是它可以自动创建拉取请求。在 Skydio，这允许运行两个长 CI 检查，并触发我们的 Vercel 预览。这意味着我可以等到 Vercel 预览发布后再再次参与。我的流程变成：

1. 启动多个 Coder 任务
2. 等到拉取请求被推送，并有一个绿色的 Vercel 版本。
3. 测试 Vercel 预览
4. 触发任务以通过拉取请求阅读和处理我的反馈

有了这个流程，我更多地受到思考下一个任务的能力的限制，而不是任务本身！不过，下一步功能改进是提高AI在没有我的情况下迭代的能力......

借助 Playwright MCP，AI 可以在任何网站中导航，包括您的开发堆栈！这意味着可以告诉人工智能执行以下作：

1. 在新代码上启动开发服务器并重现原始错误。
2. 进行更改，然后进行测试。
3. 如果错误已修复，请运行 linter 并修复代码。
4. 如果不是，请重试。

停下来想想这有多强大。 当反馈周期取决于我的反应时，我一次只能让 3 个 Windsurfs 继续进行，而不会感到不知所措。然而，当人工智能可以自我迭代时，限制就会变得高得多。我能够生成数十个并发任务，前提是我可以告诉人工智能如何验证其更改。

成功的代理人工智能的关键是创建一个不涉及人类响应的反馈循环。

这是 Skydio 的闸门被打开的地方。向编码员任务发出提示所需的激活能量接近于零。我开始一次运行 10 个任务。这是一个（真实的）示例：

• 一位资深开发人员起草了一个新组件，作为我们过滤表中数据的标准。它既需要新的 GraphQL 查询，也需要替换前端的组件。
• 他们迁移了 2 个过滤器以用作示例。
• 然后，我分配了十几个 Coder 任务，以便在一天内完成整个应用程序迁移。

这时我达到了 Agentic AI 的临界点。它不再是我自己推动它，而是开始拥有自己的生命。在撰写这篇文章时，Claude Code 现在是 Skydio 提交速度排名第二的开发人员！天空是极限！

下一个重点：让 AI 执行高级工作流程！