---
title: "打造 AI 软件工厂，我们学到了什么"
description: "走进 Foxl 由 15 到 20 个 Claude Code 会话组成的 AI 软件工厂：它们的工作如何在五个平台上接受检查，以及为什么写下的规则只有被强制执行后才守得住。"
author: "Foxl Team"
date_published: "2026-11-12"
date_modified: "2026-11-13"
canonical_url: "https://foxl.ai/zh/blog/ai-factory"
markdown_url: "https://foxl.ai/zh/blog/ai-factory/index.md"
image: "https://foxl.ai/blog/ai-factory-cover.png"
social_image: "https://foxl.ai/blog/social/ai-factory.png"
content_type: "Deep dive"
topics: ["Coding agents","Multi-agent","Claude Code","Continuous integration","Verification","Release engineering"]
products: ["Foxl Code","Foxl Agent"]
---

<!-- Generated by scripts/blog-publishing.mjs; do not edit. -->

# 打造 AI 软件工厂，我们学到了什么

> Foxl 团队靠一座 AI 软件工厂每月发布几十次，里面有 15 到 20 个编程智能体同时工作。写代码是容易的部分，确认代码是对的要难得多。这是我们搭建这些检查时学到的东西。

- Author: Foxl Team
- Published: 2026-11-12
- Updated: 2026-11-13
- Reading time: 16 minutes
- Canonical HTML: [https://foxl.ai/zh/blog/ai-factory](<https://foxl.ai/zh/blog/ai-factory>)

![一个手绘的纸箱，四片盖子都打开着，侧面有一个大大的对勾。箱子通过了检查，里面却是空的。](<https://foxl.ai/blog/ai-factory-cover.png>)

Foxl 团队每个月要发几十次版本。10 月一共发了 66 次，其中正式版 22 次，测试版 44 次。每次发布都带着 Windows、macOS 和 Linux 的桌面应用，正式版还会同时带上 iOS 和 Android 应用以及 Web 应用。每一次，这些都得确认能正常工作。

同一个月，我们的仓库里开了 2,140 个拉取请求，合并了 2,040 个，差不多每天开 70 个。这些代码大部分不是人写的，而是编程智能体写的：一台 Mac 上同时运行着 15 到 20 个 Claude Code 会话，每个都在自己的分支上。这些会话提交代码所用的那个 GitHub 账号，看它的贡献图，变化一目了然。之前两年，每年只有几百次贡献；今年已经超过 30,000。

![一个 GitHub 个人主页从 3 月下旬开始的 2026 年贡献图，标题是 33,951 contributions in 2026：4 月到 8 月大多数日子是浅绿色的格子，从 9 月下旬到 11 月，深绿色的格子密密地挤在一起。](<https://foxl.ai/blog/ai-factory-contributions.webp>)

由智能体规划工作、编写代码、测试并评审的开发方式，如今被称为 AI 软件工厂。人决定做什么，并对发布什么做最后的判断。我们的工厂也是这样运转的。但从 3 月把代码交给智能体之后，我们发现难的不是写代码，而是弄清楚智能体写的代码是不是真的对，在五个平台上是不是都站得住。

这篇文章讲的，就是我们为此搭建检查机制时学到的东西。简单说：**我们只写下来给智能体看的规则，没有一条没被打破。**大多数撑不过几天。真正管用的，是恰好放在错误来路上的检查；而下一个错误，几乎总是从一条还没有检查的路进来。

## 从一个会话到二十个

头四个月，我们整天开着一个会话，每出一个 diff，都由人读一遍。几乎所有改动都直接进了 main，整个 6 月仓库里只有一个拉取请求。瓶颈是人的注意力：一个人能好好跟住的，大概也就一个会话。

7 月，我们把自己的云端编程智能体 [Foxl Code](<https://foxl.ai/zh/code>) 指向了 Foxl 自己的仓库。每个任务配一台自己的云端 VM，7 月 22 日，这套配置[一天发了五次生产版本](<https://foxl.ai/blog/five-releases-one-day>)。不过这些 VM 里没有 macOS，所以凡是需要 Xcode 或 iPhone 模拟器的事，还是得回到 Mac 上做。

8 月，我们改变了工作方式：每个会话一个 git worktree，每个改动一个拉取请求。会话不再互相覆盖对方的工作，于是可以同时跑好几个，拉取请求也从 8 月的 598 个涨到 9 月的 946 个、10 月的 2,140 个。

![2026 年每月提交到 main 的次数：3 月到 7 月每月 260 到 435 次；工作转到拉取请求的 8 月是 1,204 次；开始用合并列车的 9 月是 1,985 次；协调者会话接手后的 10 月是 6,400 次；11 月前 11 天是 4,969 次。柱子旁边还标注了 7 月 22 日的五次发布和 11 月 2 日的内存耗尽。](<https://foxl.ai/blog/ai-factory-throughput-zh.png>)

数量一上去，新问题就冒了出来。会话们同时改同一批文件，Mac 的内存也不够用了。最重要的是，9 月 24 日的第一次合并列车表明，CI 是绿的，并不代表拉取请求是对的。后面会详细讲。

## 能在哪里检查，就决定了在哪里工作

要检查五个平台，首先得有能运行它们的机器。我们用三种机器，每种能检查的东西都不一样。

![六种检查对三种机器的矩阵。三者都能跑单元测试和 Web 构建。只有 lane box 能在全新安装的 Windows 或 Linux 上运行桌面应用。lane box 和 Mac 能跑 Android 模拟器。只有 Mac 有 Xcode、iPhone 模拟器，以及配真实浏览器的 macOS 桌面应用。只有云端 VM 能从手机上启动。](<https://foxl.ai/blog/ai-factory-machines-zh.png>)

云端 VM 适合隔离的 Linux 工作，也能直接从手机上启动。会话需要在全新安装的 Windows 或 Linux 上运行桌面应用、或者需要 Android 模拟器时，会领到一台用完即弃的 EC2 实例，我们叫它 lane box。而其余的一切，也就是 Xcode、iPhone 模拟器、真正的 Chrome 和 macOS 上的桌面应用，只有 Mac 能检查。

所以大部分会话最后都跑在一台 Mac 上。这也是我们每天在用的电脑，这意味着所有会话共用一台机器的内存，而且就在真实数据旁边工作。

## 启动智能体已经是解决了的问题

能同时运行很多智能体的工具已经不少。我们看过的每一个都让并行运行变得很容易，有些还能让智能体互相对话。它们的区别在于智能体在哪里运行，以及对结果的检查，它们承担多少。

### Claude Code 和 Codex

这两个是智能体本身。Claude Code 会在各自的 worktree 里运行关掉终端也不停的后台会话（`claude --bg --worktree`），会话之间可以互发消息，也能启动子智能体。还有从网页或手机启动的云端会话。Codex 有 CLI、桌面应用和 IDE 扩展，Codex Web 则在 OpenAI 云端的 Linux 容器里运行任务。

### Orca

![Orca 桌面应用：左侧是两台 Mac 上的项目和 worktree 列表，中间是一个协调者智能体的对话，它启动了两个工作者并汇报各自做了什么，右侧是工作者各自的窗格，角落里叠着显示同一段对话的 Orca 手机应用。](<https://foxl.ai/blog/ai-factory-orca.webp>)

[Orca](<https://github.com/stablyai/orca>) 是适用于 macOS、Windows 和 Linux 的桌面应用。它让 Claude Code 或 Codex 这类 CLI 智能体在各自的 worktree 里并行运行；交给它一个大任务时，会由一个协调者智能体把工作分给工作者，再把结果带回来，上面的截图就是这个场景。智能体也可以跑在 SSH 主机上，或者每个 worktree 一台的云端 VM 上；失败的检查和评审意见会退回给智能体去修。

### herdr

![终端窗口里的 herdr：左侧是两个工作区和一个智能体列表，其中一个智能体显示 idle，Claude 显示 working；两个窗格里，一个是智能体对 herdr 自身代码的笔记，另一个在运行 Claude Code。](<https://foxl.ai/blog/ai-factory-herdr.webp>)

[herdr](<https://github.com/herdrdev/herdr>) 是一个终端运行时，只有一个 Rust 二进制文件。它不包装智能体，而是接管终端，所以对 Claude Code、Codex 或 OpenCode 都一样适用。SSH 断开时，终端仍在后台运行；每个窗格都会显示它的智能体是 working、blocked 还是 idle；智能体还能通过它的 CLI 和 socket API 互相发提示词。

### Kiro Crew

![Kiro Crew 的 crew board：一个 conductor 的目标和工作项，按 needs a decision、working、finished 分组，每项都附有工作者的汇报和 conductor 的状态；其中一项标着没有 acceptance criteria，已完成的那项写着 verified against the bar, accepted。](<https://foxl.ai/blog/ai-factory-kiro-crew.webp>)

[Kiro Crew](<https://github.com/kirodotdev/KiroCrew>) 是一个跑在你自己硬件上（Mac、容器或远程机器）的工作空间，在两次对话之间也会继续工作。会话、记忆和任务检查点在重启后依然保留；你纠正过的地方会积累成教训，改变它之后的做法。上面的 crew board 会把 conductor 分出去的每一项，和工作者汇报的内容、conductor 是否按标准接受了结果并排列出来。

### Foxl Code

![浏览器里的 Foxl Code 工作看板：待处理和已完成为空，进行中有 foxl-ai/acme-web 的三个任务，智能体都是 Claude Code，其中一个等待开始，两个智能体工作中。](<https://foxl.ai/blog/ai-factory-foxl-code-zh.webp>)

Foxl Code 就是前面提到的我们的云端产品，目前是仅限受邀账号的内测版。你在浏览器或手机上描述一个任务，Claude Code 这样的智能体就会在一台自己的 VM 里处理它。较大的请求会拆成彼此独立、同时开始的子任务，每个子任务一个拉取请求；上面的截图是一个请求刚拆成三个子任务时的看板。评审从默认分支读取仓库的 `MERGE-REVIEW.md`，从不从拉取请求里读，所以改动没法改写给它打分的标准。不过，每个拉取请求仍是单独检查的：要把几个合并在一起测试，得在聊天里要一次合并列车。

放在一起比较：

| 工具 | 智能体在哪里运行 | 优点 | 局限 |
| --- | --- | --- | --- |
| Claude Code | 你的机器，或从网页或手机启动的云端会话 | 在各自 worktree 里运行、能互相列出和发消息的后台会话；子智能体 | 消息只能送达 Claude Code 会话 |
| Codex | 你的机器，或 OpenAI 云端 | 同一个智能体用在 CLI、桌面应用、IDE 和云端 | 云端任务跑在 Linux 容器里，所以 Xcode 的活只能留在本地 |
| Orca | 你的机器、SSH 主机，或每个 worktree 一台的云端 VM | 支持任何 CLI 智能体；把任务分给工作者的协调者；手机应用；把失败的检查退回给智能体 | 它的描述里没有把多个拉取请求合并在一起再测试的功能 |
| herdr | 你的机器和 SSH 主机 | 可以垫在任何智能体下面：断开也不停的终端，每个窗格标出 working、blocked 或 idle，智能体互相发提示词 | 只管终端，不管工作：自己不带评审或合并步骤 |
| Kiro Crew | 你的 Mac、容器或远程机器 | 重启后依然保留的会话、记忆和检查点；从纠正中得来的教训；按标准接受工作的 conductor | 工作者之间还没有直接通信的通道 |
| Foxl Code | 每个任务一台 VM，在 Foxl 云端 | 从手机开始；子任务并行，每个一个拉取请求；遵循仓库合并标准的评审 | 内测版；没有 macOS；只有你要求的合并列车才会把拉取请求合在一起测试 |

我们是在 Claude Code 自己的会话上搭起这个工厂的。它是从一个 Claude Code 会话长出来的，而这台 Mac 上的会话，本来就能在 Xcode 和模拟器旁边互相列出、互相发消息。

不管用哪个工具运行智能体，有两件事不会变。同一台机器上的智能体必须共享它的内存，而它们做得对不对，总得有人来判断。本文剩下的部分，讲的就是这两件事。

## 二十个会话，一台 Mac 的内存

10 月 17 日下午，开着 19 个会话。一次 Web 构建大约要占 3.5 GB 内存，而十分钟内就有四个会话各要了一次。两个跑了 TypeScript 检查，还有一个没问就启动了 iPhone 模拟器。有 8 个会话在同一个 CSS 文件里有未合并的改动。那天下午，我们让会话们少用内存，排队等，用之前先问。

同一天，一个会话成了协调者。其他会话启动时先读一个共享文件，上面写着谁负责哪些文件；然后用一行字把自己的任务和预计要碰的文件发给协调者，再领回自己的范围。需要别的会话负责的文件时，就把改动发给那个会话，让它来应用。在构建、测试套件或模拟器这类吃内存的工作之前，会话要发出带内存和时长估计的 `HEAVY?`，然后等 `GO`。协调者每次批准前都会读一下 Mac 的内存压力。

下面是这篇文章的第一次构建排过的队。前面已经排着一个模型基准测试和几次模拟器运行，构建等了 50 分钟才开始。

![从 UTC 05:00 到 06:30 的时间线，共享重任务队列的每一步占一行：05:03 到 05:41 是 Notes 模型基准测试；05:41 到 06:07 之间有一次模拟器运行、一次原生构建加模拟器运行、一次一开始就停下的截图检查和一次模拟器计时；之后是本文的两次网站构建，06:08 到 06:25，从 05:18 起一直在排队，05:57 有一次提前开始的依赖复制。](<https://foxl.ai/blog/ai-factory-queue-zh.png>)

队列的规则都在一个 shell 脚本 `heavy.sh` 里，而且不止改过一次。10 月 28 日，规则太严了：Mac 还有 43% 的空闲内存，却有 10 个任务最多等了 16 分钟，我们把队列拿掉了。11 月 2 日，规则又太松了：大约开着 19 个会话，其中几个各跑着 2 到 5 个子智能体，而闸门既没算子智能体，也没算一个已经开了六个小时的开发服务器。Mac 内存耗尽，运行环境清理后台 shell 时，协调者的监视进程也跟着一起没了。

现在的闸门每次运行都会测量 Mac 的内存。有余量，任务就立刻开始；没有余量，就扣住；同时运行的重任务最多四个。重任务之前的检查大致如下：

```
# LOCKS is a directory every session shares; run/<pid> marks a heavy run.
level=$(sysctl -n kern.memorystatus_vm_pressure_level)  # 1 normal, 2 warn, 4 critical
free=$(memory_pressure -Q | awk -F: '/free percentage/ {print int($2)}')
live=0
for f in "$LOCKS"/run/*; do
  [ -e "$f" ] && kill -0 "${f##*/}" 2>/dev/null && live=$((live + 1))
done

hold() {
  [ -e "$LOCKS/STOP" ] || [ "$level" -ge 4 ] ||
  { [ "$level" -ge 2 ] && [ "$live" -ge 2 ]; } ||
  [ "$free" -lt 25 ] || { [ "$free" -lt 30 ] && [ "$live" -ge 1 ]; } ||
  [ "$live" -ge 4 ]
}
# Wait while hold() is true or older tickets fill the free slots (2 at warn, 4 otherwise).
# Then write run/$$, run "$@" as a child, and remove run/$$ when it exits.
```

等待中的任务按先来后到领号。有一次排队的有 30 个左右，槽位一空，谁先轮询到谁就赢，结果有个任务被后来者挤着等了 35 分钟。整台机器还有上限：最多六个子智能体、一个模拟器，但这两条至今仍只是写下来的规则，闸门并不强制。

## 只写在纸上的规则会被打破

本文的每一次事故都留下了一条规则，连同日期写了下来。其中三条可以说明，只存在于文字里的规则会怎样。

第一条是真实数据。从我们实际在用的那份 Foxl 桌面应用里启动的智能体会话，会继承应用的环境，其中包括一个指向应用数据库的变量。10 月 19 日，从这样的 shell 里跑的一个测试套件，往真实的 Foxl 数据库里写入了 305 段假对话。清除这个变量的规则当天就加上了，从 10 月 24 日起，`heavy.sh` 会自己清除它。错误还是一再回来：直接用 npm 跑的检查、一次性脚本、打包了整个桌面服务器的测试，每次都走包装脚本没覆盖到的路。现在，桌面服务器在测试运行器下运行时会拒绝打开真实数据（`foxl/server/paths.ts`）。只有一次性脚本至今仍只靠写下来的规则。

第二条是一个会花真钱的脚本。`check-remote-input.mjs` 混在几十个读取仓库、发现问题就失败的 `check-` 脚本里，可它实际上会在生产环境的 Foxl Code 服务上启动真实任务。9 月 23 日，一次批量运行所有 `check-` 脚本时，启动了一个任务。当时的规则是：按名字一个个运行检查。10 月 18 日，这个脚本混进了一份用 grep 挑出来的检查清单，它的三个任务产生的费用，让我们的测试账号余额变成了负数。现在这个脚本没有 `--live` 参数就什么都不做，pr-validate 里有一个测试守着这一点。

第三条是 push 锁。push 当时要经过一把锁，会话通过创建一个目录来拿到它。11 月 2 日，一个会话在一批并行工具调用里试图手动拿锁。因为另一个会话持有锁，创建目录失败了，可这一批里剩下的调用照样执行：这个会话 push 了，然后删掉了另一个会话的锁。当天上午就加了一个脚本，负责拿锁，并且只释放自己的锁；可被限制在自己 worktree 里的会话用不了它，只能继续一步一步手动拿锁。11 月 4 日又犯了同样的错误。

这些检查没有一个终结了它那一类错误。每个检查只堵住了上一个错误走过的路，而到目前为止，下一个错误总能找到另一条路。

## 绿色的检查证明了什么

我们的 CI 全部跑在自托管运行器上，每个拉取请求都必须通过一个叫 `pr-validate` 的关卡。问题在于，这个绿色的勾到底证明了什么。绿色只说明这个拉取请求单独通过了测试，仅此而已。

9 月 24 日 v0.7.27 的第一次合并列车暴露了这个差距。54 个拉取请求在各自的 CI 上都是绿的，却仍藏着四个阻断问题。一个会丢掉用输入法输入的最后几个字符，另一个弄坏了在 iPhone 锁屏上回复。同一天，19 个评审智能体同时在跑，Mac 彻底卡死了。从那以后，评审最多同时跑七个，但这也只是一条写下来的规则。

所以现在，列车由所有已就绪的拉取请求合并后的代码树构建，是否合并也在这棵树上判断。评审智能体每个负责一组相关的拉取请求，拿到的说明里有这样一段，保留英文原文：

> Your job is to REFUTE each PR in your group, not to confirm it. Assume every PR body overclaims until you have reproduced its claim. A green pr-validate on the PR proves little: it ran without the other PRs, and it cannot see UX or cost.

意思是：去反驳每个拉取请求，而不是去确认它；在亲自复现之前，先假定每个拉取请求的描述都言过其实；拉取请求上 pr-validate 通过也证明不了多少，因为它是在没有其他拉取请求的情况下跑的，也看不到用户体验和成本。评审的回答只有四种：MERGE、附上补丁的 MERGE\_WITH\_FIXES、HOLD 或 CLOSE。修复作为单独的提交加在拉取请求之上；修不好的拉取请求，就重建一列不含它的列车来把它排除。

Cognition 的[《Don’t Build Multi-Agents》](<https://cognition.com/blog/dont-build-multi-agents>)反对把一个任务拆给彼此看不到对方工作的多个智能体，主张交给一个掌握全部上下文的智能体来做。我们也确实让每个会话负责一整个任务。但还剩一个问题：智能体对自己的工作过于自信。这就是评审被要求去反驳的原因。

智能体和功能一起写的测试，尤其是弱证据。测试和代码出自对问题的同一种理解，所以如果智能体误读了某个厂商的 API 或者需求，两者会带着同样的错误。每种检查能看到什么，见下图：

![六种检查对五种失败的矩阵。类型检查、同一提交里写的测试、在修复前代码树上会失败的测试，以及合并后列车上的 CI，都只能发现代码有错的部分情况；后两者还能揭出一些什么都没测的测试，合并后列车上的 CI 能发现互相破坏的改动。没写这段改动的评审能发现代码、测试和这些相互作用的问题，有时也能发现外部系统表现不同。只有直接问目标系统，才知道发布有没有落地。](<https://foxl.ai/blog/ai-factory-evidence-zh.png>)

所以，新测试只有在修复前的代码树上失败才算数，最后的关卡是合并后列车上的 CI。对仓库之外发生的事，证据在那个外部系统里。一次 CLI 版本升级之后，Foxl Code 里的远程 Codex 和 OpenCode 终端十天里没接收过任何输入，而这期间所有关卡都是绿的。还有一次，发布工作流报告成功，TestFlight 里却没有构建。11 月 3 日，我们又发现 43 个截图测试工具里有 34 个打开页面时没加载真实字体，所以评审们一直在评判出货的应用根本不会画出来的字形。

## 直接去问目的地

一次正式发布就是一次工作流运行。这一次运行会构建并发布 Windows、Linux、macOS、iOS 和 Android 应用、Web 应用和 relay 服务器。工作流说成功了，我们并不就此相信：发布之后的检查会直接去问每个目的地。

有个脚本会一直等到五个平台的文件都到齐，才公开发布。Homebrew cask 会和已发布的版本核对，因为它曾经在四次发布里一直提供一周前的构建，而更新它的工作流看起来一切正常。部署后的 Web 应用会和发布版本对比，因为 Worker 用旧的包也会返回 200。TestFlight 则通过 Apple 的 API 去问。

## 如果你也想搭一套类似的

下面是对我们有用的做法：

- 给每个智能体单独一个 git worktree。在 APFS 上，`cp -Rc` 会把 `node_modules` 复制成写时复制的克隆，几乎不占磁盘。千万别把一个 `node_modules` 用符号链接共享给多个 worktree。
- 指定一个智能体做协调者，把共享状态放在所有智能体都能读的普通文件里：谁负责哪些文件、谁在跑什么、什么被冻结了。
- 按实测内存给吃内存的工作设闸门，而且除了构建，还要把子智能体和开发服务器算进去。
- 按 SHA 而不是按名字读取引用，因为别的会话一直在移动 `origin/*`。

在组建合并列车之前，可以把每个拉取请求依次叠到 main 上，不用检出就能画出冲突图。用 bash 是这样：

```
# Each head as a local ref first: git fetch origin '+refs/pull/*/head:refs/pr/*'
prs=(101 102 103)
acc=$(git rev-parse origin/main)
for pr in "${prs[@]}"; do
  out=$(git merge-tree --write-tree --name-only "$acc" "refs/pr/$pr"); code=$?
  if [ "$code" -eq 0 ]; then
    acc=$(git commit-tree "${out%%$'\n'*}" -p "$acc" -p "refs/pr/$pr" -m "train: #$pr")
  elif [ "$code" -eq 1 ]; then
    echo "#$pr conflicts in:"; echo "$out" | sed -n '2,/^$/p'
  else
    echo "#$pr: merge-tree failed ($code)"; exit "$code"
  fi
done
```

像变更日志这种每个拉取请求都会往末尾追加的文件，几乎会出现在每一次冲突里，除非你只为这条命令给它设成 union 合并：`git -c core.attributesFile=<file>`，并在那个文件里写上 `CHANGELOG.md merge=union`。

## 人做什么

在这套配置里，我们不写代码，也很少读 diff。一个请求通常是一句话加一张截图。我们读的是返回来的东西：每个拉取请求里的截图、每列列车的结论，以及每次发布最后的那份报告，里面列出发布了什么、每项检查的回答，以及其中每个拉取请求的截图。

11 月 3 日早上就是一例。UTC 04:59，一个拉取请求带着 20 张截图上来，截的是发布评价那张卡片上的新编辑窗口。文字用的是另一种字体，输入框是浏览器自带的，三个按钮在卡片上一个接一个往下排。05:04，我们给协调者发了两行：让作者按设计系统重做这个窗口，把拉取请求退回草稿，再重新提交。十二秒后它就成了草稿。09:30 它回来了，用的是应用自己的草稿编辑器，296 张截图每一张都是在应用字体加载之后截的。11:50 合并。那种字体不是这个拉取请求的问题：它的截图测试工具从来没有提供应用的字体，那天追查原因，我们才找出了上面说的 34 个截图测试工具。

![刚提交时 GitHub 上的拉取请求：Screenshots 一节的表格，列着 Telegram 消息和评价卡片的编辑窗口；评价卡片用的是后备字体，浏览器自带的输入框下面，Post、Done、Not now 竖着排。](<https://foxl.ai/blog/ai-factory-edit-before.webp>)

![回来时 GitHub 上的同一个拉取请求：The real bundle: the Edit window 一节，说明每张截图之前都确认了应用的字体，下面是四种配色的桌面截图表，其中有评价卡片的编辑窗口。](<https://foxl.ai/blog/ai-factory-edit-after.webp>)

出问题时，我们会把本来能拦住它的规则，连同日期和事故，写进那个领域的 `CLAUDE.md`，然后找出能让脚本来强制执行它的地方。可以撤回的决定由智能体看代码来做，并写下它们的决定。不可撤回的事，以及跟钱有关的事，都要等人来定。一个拉取请求如果会让 Foxl 比人们拿来比较的产品更不方便，哪怕代码没错，也会被搁置。

## 还没解决的部分

评审是智能体，但它们用的标准是人写的，它们的结论也仍由人来读。现在，这一步是拉取请求和发布之间最慢的环节。所以我们正在为每类声明写一条标准，让别的智能体不用人也能检查：逻辑修复，要有在修复前失败、在合并后列车上通过的测试；厂商 API，要有来自真实服务的抓包；任何给人看的东西，要有用真实字体从真实构建里截的图；成本，要有实测的请求数；发布，要有每个目的地的回答。不可撤回的事，以及跟钱有关的事，仍然由人来管。

我们还不知道怎么判断一条标准什么时候算够好。计划是像评估测试一样评估评审：数一数每个评审找出了多少 CI 漏掉的阻断问题，以及人推翻它的结论有多频繁。一旦人在某类声明上不再推翻一个评审，那条标准就不再需要人了。这两个数字我们现在都还没有。

## 参考资料与延伸阅读

1. [Claude Code 更新日志](<https://github.com/anthropics/claude-code/blob/main/CHANGELOG.md>) - Reference
2. [Codex](<https://github.com/openai/codex>) - Reference
3. [Orca](<https://github.com/stablyai/orca>) - Reference
4. [herdr](<https://github.com/herdrdev/herdr>) - Reference
5. [Kiro Crew](<https://github.com/kirodotdev/KiroCrew>) - Reference
6. [Kiro Crew RFC 列表](<https://github.com/kirodotdev/KiroCrew/blob/main/docs/request-for-change/README.md>) - Reference
7. [Foxl Code](<https://foxl.ai/zh/code>) - Reference
8. [Cognition《Don’t Build Multi-Agents》](<https://cognition.com/blog/dont-build-multi-agents>) - Reference