管住 AI 助手:本週 GitHub 熱門三個|完整版
三句話摘要
三個 GitHub 熱門專案如何解決 AI 寫程式時自行猜測需求的問題。 AI 程式助手的未來不在寫得更快,而在人類能更有效地看清計畫、挑出問題、做出決策。 大象金魚架構的意義:EGM 採用兩角色設計——熟悉專案的「大象」與全新的「金魚」審查者。金魚沒有前置對話內容,能看出設計文件遺漏或表述不清的地方,解決 AI 自我檢查時容易忽視問題的盲點。
重點整理
大象金魚架構的意義:EGM 採用兩角色設計——熟悉專案的「大象」與全新的「金魚」審查者。金魚沒有前置對話內容,能看出設計文件遺漏或表述不清的地方,解決 AI 自我檢查時容易忽視問題的盲點。
人工審查成為新瓶頸:工作流轉變為「看計畫→畫紅線→按核准」,寫得清楚的設計文件變成關鍵資產,因為金魚和人都得看得懂,所以文件品質直接影響審查效率。
安全需主動配置而非預設保護:agent-browser 官方明確示警——預設無限制,不是正式產品。需自行開啟網域白名單、危險動作確認、內容邊界標記等三層防護,否則 AI 可能被騙去做不該做的事。
工具多不如習慣好:即使安裝完整,若人的審查流程淪為「看到批改視窗直接按同意」,效果等同虛設,反而應從「叫 AI 先寫計畫給你看」的基本習慣開始。
實用技巧與重點
- EGM(Elephant Goldfish Model)
- 建立日期:2024年9月13日
- GitHub星數:19,000+(至2026年11月15日),單週增加5,500+
- 授權:Apache 2.0
- 支援平台:Claude Code、Codex、Google Antigravity
- 安裝(Claude Code):加外掛市集 → 裝 egm
- 流程三步:brainstorm(金魚挑戰)→ draft(大象寫設計文件)→ review(多隻金魚審核)
- 特殊功能:60秒審查、drift report(月度對比文件與程式差異)
- Plannotator
- 建立日期:2024年12月底
- GitHub星數:11,000+
- 安裝:Mac/Linux 用 `curl`;Windows 用 PowerShell 一行
- 支援批改物件:計畫、Markdown 檔、網址、程式碼、GitHub PR、GitLab MR
- 程式碼審查指令:`plannotator review`(左右對照、行內留言)
- 隱私設定:預設留在本地電腦,問 AI 時才送模型,分享連結會完全公開
- 自動檢查新版本(暫無關閉開關)
- agent-browser
- 開發公司:Vercel Labs
- 建立日期:2024年1月
- GitHub星數:51,000+,單週增加4,600+
- 技術:Rust 編寫的命令列工具
- 安裝:`npm install`,首次需 `install` 下載專用 Chrome
- 核心指令:
- 查看:open、snapshot、read
- 互動:click、fill(填表)、upload(上傳檔案)
- 證據:screenshot、PDF、錄影
- 安全配置三層:網域白名單、危險動作確認、內容邊界標記
- 支援:MCP 伺服器接入
結論
AI 程式助手的未來不在寫得更快,而在人類能更有效地看清計畫、挑出問題、做出決策。
完整解析
近期 GitHub 上三個熱門項目都指向同一個問題的解決方案:AI 助手在寫程式時若未充分確認需求,容易以超快速度完成錯誤的實現,等人類發現時已改動一大片。
首先是 Google 旗下的 Elephant Goldfish Model(EGM),以大象金魚隱喻巧妙解決 AI 自我審查的盲點。大象代表記性好、熟悉上下文的助手,它經過長段對話已內化了專案需求與討論脈絡,反而難以看出缺漏。金魚代表全新建立、完全陌生的審查代理,它沒有任何前置知識,只能讀設計文件本身——正因為陌生,反而能發現人類與大象都忽視的問題。EGM 的三步工作流是:先由金魚挑戰初步想法產出概念摘要,再由大象據此寫成完整設計文件,最後多隻金魚從設計、清晰度、技術可行性、實作計畫多個角度同步審查。人類在此時挑選真正要改的意見按核准,才授權 AI 動手寫程式。官方刻意強調,金魚審查不替代測試也不替代人的判斷,只是把遺漏和說不清的地方攤開。
第二個工具是 Plannotator,它的創新在於把批改體驗從文字指令轉為視覺化標註。AI 生成計畫後,Plannotator 自動在瀏覽器開啟計畫文件,人類可像改作業般反白一段話、寫下意見,所有註解並列在右側。按下「Send Annotations」時,意見直接送回 AI 進行下一輪修改,無需複製貼貼。這套流程也支援程式碼審查、GitHub PR 審查,甚至可批改任何 Markdown 或網址。隱私方面計畫與註解預設留在本地,只有點「Ask AI」時才傳到模型伺服器。
第三個是 Vercel Labs 的 agent-browser,解決了不同層級的問題——讓 AI 能自行操作網頁介面。傳統上 AI 看網頁就像看一張密密麻麻的海報,按鈕位置難以精確指令。agent-browser 的 snapshot 功能會把網頁轉為編號清單,每個互動元素都有號碼,AI 只需說「點第一號」,工具就執行點擊並回報結果。然而安全是這個工具的核心挑戰:官方明確警告預設情況下完全無限制,需人類主動配置網域白名單、危險動作確認、內容邊界標記三道防護,否則惡意網頁可能騙 AI 執行不該做的動作或洩露資料。
三個工具串聯後,人的角色確實轉變為「計畫審核者與決策者」,但前提是真的看完計畫再按同意。若批改視窗跳出就直接核准,有沒有工具效果相同。官方的共同建議是:從最基礎的習慣開始——下次叫 AI 動手前先看計畫——再逐步導入這些工具,才能真正發揮效益。


