很多人期待长任务编程 Agent，是因为它看起来能把“我想要一个功能”直接变成 PR。我对这个期待比较谨慎。Agent 能跑更久，能自己读文件、改代码、跑测试，当然是进步。但它越能自主执行，越暴露一个老问题：需求如果写得像聊天，最后就会得到一个像聊天一样含糊的实现。
OpenAI 在 Codex 相关技术文章里讲过 agent loop、工具调用、长任务执行这些机制。我的理解是，未来的编程 Agent 会越来越像一个异步工程协作者。但协作者不是许愿池。你给它的任务描述，应该更像接口契约，而不是一句愿望。
长任务失败，很多时候不是模型不够聪明
一个简单 bug，Agent 改错了，通常还能人工纠正。但长任务不一样。它可能连续做十几步：理解需求、找文件、改接口、补测试、修类型、跑命令、再修。前面某一步理解错了，后面所有努力都会变成“错误方向上的勤奋”。
这就是为什么我不太喜欢直接给 Agent 这种任务：
帮我给系统加一个会员功能。
这句话对人也不够，对 Agent 更不够。会员有什么状态？免费用户能不能访问历史数据？订阅过期后怎么处理？支付失败是否降级？后台任务怎么补偿？这些问题不回答，Agent 只能根据常见模式猜。
把需求写成接口，Agent 才有边界
我现在更倾向于把给 Agent 的需求写成四块：目标、非目标、验收标准、验证命令。形式可以很朴素，不需要产品文档那么重。
# Goal 为现有 workspace 增加 plan 字段，支持 free/pro 两档。 # Non-goals - 不接入支付； - 不做团队席位； - 不改现有登录流程。 # Acceptance criteria - 新 workspace 默认 plan=free； - pro workspace 每月导出次数不限制； - free workspace 每月最多导出 3 次； - 超限时 API 返回 403 和明确错误码 EXPORT_LIMIT_REACHED。 # Validation pnpm test workspace-plan pnpm test export-limit pnpm typecheck
这不是为了让文档好看，而是为了减少 Agent 的自由发挥空间。非目标尤其重要。很多 AI 改代码的问题，不是没完成目标，而是顺手做了你没要求的抽象。
让 Agent 先交计划，不要直接交代码
长任务里，我会强制多一个步骤：先让 Agent 输出计划和影响范围，人工确认后再修改。比如：
先不要修改代码。请输出： 1. 需要修改的文件列表； 2. 每个文件修改原因； 3. 你认为需要新增或修改的测试； 4. 可能影响兼容性的地方； 5. 不确定的问题。
这个步骤会让节奏慢一点，但能提前暴露很多误解。如果它把 billing、workspace、auth 三个模块都列为要大改，而你只是想加一个限制字段，就该马上收窄任务。
测试是给 Agent 的刹车，不只是给人的信心
长任务 Agent 最需要的不是鼓励，而是可执行反馈。测试、类型检查、lint、静态分析，就是它的刹车系统。没有这些反馈，它会用语言解释自己为什么对；有了反馈，它至少要面对机器给出的失败。
我会在任务里明确告诉它可以运行哪些命令：
允许运行： pnpm test -- --runInBand pnpm typecheck pnpm lint 禁止运行： pnpm prisma migrate deploy rm -rf 任何生产环境部署命令
很多人忽略了“禁止运行”这一段。Agent 有工具权限后，限制和授权一样重要。尤其是涉及数据库迁移、生产部署、批量删除文件时，不能只靠模型自觉。
长任务适合做什么，不适合做什么
我认为长任务 Agent 适合这几类工作：
- 边界清楚的小功能；
- 已有模式的重复实现；
- 测试覆盖较好的重构；
- 批量修复类型错误；
- 根据明确错误日志定位问题。
不适合一开始就交给它的，是核心架构改造、含糊的新产品方向、跨多个团队约定的迁移、没有测试保护的历史模块。不是 Agent 一定做不了，而是做错后的回滚成本太高。
个人开发者的半天验证法
如果你想试长任务 Agent，不要拿最重要的项目冒险。找一个真实但低风险的任务，比如“给现有 API 增加一个错误码并补测试”。然后用同一个任务做两轮对比：
- 第一轮：只给一句自然语言需求；
- 第二轮：给目标、非目标、验收标准、验证命令。
看三个指标：它改了多少无关文件；测试是否一次通过；你 review 的时间有没有减少。这个实验比看 benchmark 更接近你的真实收益。
我的判断
长任务编程 Agent 值得持续关注，但它不会让需求消失。相反，它会惩罚含糊需求。你越希望它独立完成，就越需要把任务写成清楚的工程接口。
个人开发者现在最该练的不是“写神奇 prompt”，而是把一个功能拆成可验收、可测试、可回滚的小任务。这件事对 AI 有用，对人也有用。Agent 只是把这个老工程常识重新放大了。
资料依据：OpenAI 关于 Codex agent loop 和 long horizon tasks 的公开技术文章。本文没有声称做过完整实测，后续如果补充真实任务 diff、测试输出和 review 时间，会更有说服力。