← 指南 · English · 日本語 · Português

更新于 2026-11-19

本页目录
  1. 模式
  2. 何时用
  3. 第 1 步 — 先锁定基准
  4. 第 2 步 — 拆成各有归属的切片
  5. 第 3 步 — 人类在代码之上掌舵
  6. 第 4 步 — 顶层叠加对抗验证
  7. Verify it
  8. 坑
  9. 自检
  10. Sources

指南 5 — 参考基准锚定的 swarm

目标: 指挥一个 agent swarm 写出大型且可验证的系统——正确性持续对照可信基准检验,而不是对照感觉。 级别: 高级 出处部署: Harvey 的 "Phil"——~30 个 agent 写出协作式、Word 兼容的编辑器引擎(Rust + TypeScript):3 周 100 万+ 行,零人类工程师。持续对照真实 Microsoft Word 行为和模拟律师谈判验证。人类通过记忆 + 决策日志掌舵,从不读代码。 来源: Gabe Pereyra 的发布实录(via @gabepereyra)· launch post

模式

swarm 失败的原因是没人能判断输出对不对。Phil 成功是因为每一行都能对照一个真值基准检验:真实的 Microsoft Word。agent 团队的工作是对齐——一个客观的、可持续检验的目标——而不是发明。

   reference system (truth)
            ▲ compare
            │
┌───────────┴────────────┐
│  swarm of ~30 agents   │──► 1M+ LOC (Rust + TypeScript)
└────────────────────────┘
            ▲ steer
            │
   humans: memory + decision logs
   (never reading the code)

何时用

适合 不适合
按规范重实现(文件格式、协议、编辑器、编译器) 没有客观答案的绿地产品
带 oracle 的移植/迁移(旧系统还能跑) "对不对"要靠判断的新 UX
任何能与工作系统 diff 的东西 正确性需要用户验证的系统

试金石:机器能不能不靠你判定"正确"? 能,swarm 就可扩展;不能,改用产品所有制 Bot(第 2 篇)。

第 1 步 — 先锁定基准

任何 agent 写码之前,检查必须已存在:

把对比放进 CI 或 swarm 高频运行的脚本——"输出是否匹配基准"必须廉价且自动,否则 agent 在两次检查之间漂移。

第 2 步 — 拆成各有归属的切片

~30 个 agent 不共享同一个 backlog——工作按子系统切分,每个 agent 拥有一个(文档模型、排版引擎、协作协议……)。结构同第 4 篇的组织架构,只是每个"员工"都是对准模块边界的编码会话:

You own the <module>. Its contract is <interface/reference behavior>.
Your PRs are accepted when the reference checks pass — not when the
code looks done.

第 3 步 — 人类在代码之上掌舵

Harvey 没人读过那百万行。掌舵靠三层:

你的评审面是决策轨迹,不是 diff。如果你发现自己在读生成代码来弄清发生了什么,去问编排者要决策日志。

第 4 步 — 顶层叠加对抗验证

Harvey 叠了第二层检查:模拟律师谈判——真实使用场景,抓一致性套件漏掉的东西。你的等价物:基准 diff 之上的场景层——真实工作流、对抗输入、fuzzing。基准检查抓错,场景检查抓脆。

Verify it

坑

自检

  1. 为什么 Harvey 的 swarm 能成而多数多 agent 尝试崩溃?(可信的外部参照——真实 Word 行为——让正确性在 swarm 速度下仍可机器检查。)
  2. 为什么人类通过 memory 和 decision log 引导而不是 review 代码?(3 周 1M+ 行超出任何人阅读量;引导发生在意图层。)
  3. 采用此模式前要先验证的前提是什么?(你的领域有没有 swarm 可以自我核对的参照——没有就先建 oracle。)

Sources