这是什么

Maggie Appleton 最近的打开方式：早上看 AI agent（能自主完成多步任务的 AI 助手）一夜跑出来的代码合并请求，扫一眼没问题就合并——她把这种工作模式叫做「实现变成了过夜任务」。曾经花一整天敲的代码，现在写好需求规格丢给 agent 就行。

但她紧跟着澄清：这套玩法只在原型团队成立，因为原型允许「差不多就行」。换到必须对生产质量负责的环境，方法未必成立。

更值得注意的是她点名的几件 agent 接不住的活：纸上的草图（想法早期根本不是语言形态的，agent 几乎帮不上忙）；视觉判断（「边框用 10% 还是 15% 的灰」该看色板，而不是被 AI 追问到第 36 个问题）；团队对齐（一个人带一群 agent 可以飞快，但软件是团队造的）。

行业怎么看

支持方认为 Maggie 的实践代表一种正在普及的新工作流——人类负责想清楚要什么，AI 负责跑腿。Anthropic、OpenAI、Cursor 都在押注 agent 能独立完成越来越长的任务。

反向拉扯的声音有两类。

一类来自生产一线：原型的「差不多就行」和产品代码的「必须稳定」是两套标准，把前者的工作方式搬到后者，会留下一堆没人看过的代码，技术债（未来要偿还的代码维护成本）滚雪球。

另一类更尖锐——Maggie 自己造了一个词：能力煤气灯（capability gaslighting）。意思是模型在某些任务上强得离谱，转头在同类任务上惨败，你没法预测下一次落在哪边。她承认自己有时模型已经失败都没察觉，因为「Opus（Claude 最强版本）不可能把这也搞错」。这也是 Ethan Mollick 提出的「锯齿状边界」的具体体验，被 Maggie 视为当下 agent 落地最大的隐性风险。

还有被低估的难题：团队对齐。她一场演讲的标题就叫《一个开发者，两打 agent，零对齐》——现在的 agentic 工具几乎都是单人版、本地版，团队怎么协同没人给出答案。

对普通人的影响

对企业 IT：值得重新评估「写代码」和「对齐讨论」的时间分配。代码生成成本下降后，瓶颈会从「谁能写」转移到「谁能定义清楚要做什么」，规格说明、决策记录、评审这些环节可能比写代码本身更值钱。

对个人职场：「能力煤气灯」这个词值得所有用 AI 的人记住——AI 给你印象最深的那次成功，可能是你下次被坑的伏笔。Maggie 建议判断尽量不下放，每次让 agent 接活都留一份决策痕迹。

对消费市场：短期别指望「AI 直接给你做出能用的产品」大规模发生。原型可以一夜完成，但从原型到产品之间还有判断、对齐、用户验证这些 AI 接不住的环节。这条路比想象的长。