#methodology

从赔付率异动分析项目中总结AI Agent在企业落地的教训：规划阶段LLM不可控、执行阶段数据模拟、表达阶段事实丢失，以及prompt二义性和小概率表现的深层反思。

从单一LLM调用到多智能体系统的演进，提出OneAgent + MCPs范式：基于强大基础Agent结合领域MCP，替代为每个场景搭建烟囱式多智能体系统的传统方式。

过去一年，我们在 Agent 管理学论坛里和上百位开发者一起踩坑、复盘、迭代。这篇文章是阶段性总结：AI Coding 不是一个技术问题，而是一个管理问题。从需求端、执行端到验收端，在每一段建立明确的契约，就是 AI Coding 的确定性边界。

Agents 特区社区邀请19位AI编程先行者参与线上圆桌研讨。与会者来自券商、医疗器械、K12教培、支付宝、开源基础设施等背景迥异的领域。本文探讨概率性系统如何通过确定性约束和独立性验证确保AI代码品质。

本文回应黄东旭最近关于"Vibe Engineering 2026.1"的文章。黄东旭用AI重写TiDB的PostgreSQL兼容层，代码品质已接近生产水平。但他90%时间花在评估AI工作成果。我们如何在普通团队中复制这种成果？

AI写的代码不行？问题在于没有正确采用迭代方法论。迭代是通过多次尝试，不断逼近一个固定的目标。在软件开发领域，迭代可以用于所有环节——从需求澄清到实现测试。