KeyFrame內部研究專用

Teach Your Agent to Prove It's Done — Nick Nisi & Zack Proser, WorkOS

AI Engineer英文
觀看原始影片

三句話摘要

如何透過驗證機制讓 AI agent 自我檢驗,安全地大規模自動化軟體開發而無需人類逐行審核。 驗證機制是 AI 時代軟體自動化的基礎——不審代碼,審結果;給 agent 工具與清晰完成定義,讓它自我檢驗與修復,方能安全規模化。 無驗證機制的危害

重點整理

  1. 無驗證機制的危害

  2. 講者開篇即指出曾發生 agent 在九秒內刪除生產資料庫的事件,說明單靠「代碼看起來沒問題」或「測試通過」是不夠的。Midnight Snack Club 應用的案例進一步展示:表單提交後頁面顯示成功訊息,但重新加載後資料消失,表示功能未真正實現。問題根源在於驗證與實作脫節。

  3. 從代碼審查轉向結果驗證

  4. 人類無法跟上 agent 的程式碼生成速度,且審核代碼不等於驗證功能。更可靠的方式是定義明確的「完成狀態」,並讓 agent 用具體工具驗證(而非模糊指令如「驗證變更」)。講者強調「狀態來自記錄,不是模型說詞」——需要實際的截圖、測試結果、資料庫紀錄作為證明。

  5. 多層驗證工具給 agent 「眼睛」與「身體」

  6. 工具提供視覺驗證(Playwright 截圖)、資料驗證(檢查本地存儲或資料庫)、網絡驗證(HTTP 狀態碼)、效能驗證(Chrome DevTools)。在 Midnight Snack 案例中,snack CLI 提供 join(提交表單)、storage(檢查持久化)、reload(重新加載驗證)等指令,讓 agent 能完整模擬使用者流程。

  7. 自我修復循環與 System 1/2 模型的應用

  8. Agent 執行驗證後,若失敗則自動進入修復迴圈:修改代碼→重新驗證→檢查結果。這形成了自動化 TDD(紅-綠-重構)。同時引入快速 LLM(System 1,如 Jev)進行快速判斷,與深思熟慮的 LLM(System 2)搭配使用,以適應不同驗證場景。

實用技巧與重點

  • 工具與技術
  • Playwright — 瀏覽器自動化、表單互動、頁面驗證
  • Chrome DevTools/Debug Protocol — 獲取效能、網絡、主控台資訊
  • Jev(快速 LLM 系統 1 模型)、Cleft(更快的替代方案)
  • Code Rabbit、Codo、Reptile — 自動化程式碼審查工具
  • Midnight Snack CLI 指令集
  • `pnpm snack up` — 啟動應用
  • `pnpm snack doctor` — 診斷系統健康(Node、Chromium、Session、Build 狀態)
  • `pnpm snack join [email]` — 模擬使用者加入 waitlist
  • `pnpm snack reload` — 刷新頁面
  • `pnpm snack snapshot` — 以 JSON 格式快照頁面內容
  • `pnpm snack screenshot` — 視覺截圖
  • `pnpm snack storage` — 檢查本地存儲持久化
  • `pnpm snack proof` — 執行確定性端對端測試
  • `pnpm snack judge` — 使用快速 LLM 評估結果(不需逐字相符)
  • `pnpm snack up --bug random` — 注入隨機缺陷供測試練習
  • 實際驗證流程範例
  • 使用 Playwright 檢查:(1)加入前 waitlist 為空;(2)填入 email 並點擊提交按鈕;(3)確認頁面顯示「Waitlisted」;(4)檢查 email 是否在本地存儲中
  • 成規模數據
  • WorkOS 團隊達成每月 900+ PR,零事件記錄
  • Lauren Tan 及其他實踐者達成數千 PR/月,驗證機制是首要解鎖因素
  • 免費額度:簽署時 $5 可用約三年
  • 核心概念
  • Outcome-driven development — 指定結果狀態而非實作路徑
  • Receipts(憑證)— 保存每次運行的完整證據(截圖、影片、測試結果)供遞迴自我改進(RSI)訓練
  • Verification over code review — 優先驗證結果,次要審核程式碼
  • Evals as foundation — 建立基礎測試集讓 agent 自動迴圈改進

結論

驗證機制是 AI 時代軟體自動化的基礎——不審代碼,審結果;給 agent 工具與清晰完成定義,讓它自我檢驗與修復,方能安全規模化。

完整解析

Nick Nisi 和 Zach Prosser 在這場工作坊中道出了 AI agent 時代的核心悖論:agent 能寫代碼的速度遠超人類審核,但無驗證機制的 agent 會導致隱蔽缺陷甚至災難。講者開篇引述一樁往事——某個 agent 在九秒內刪除了生產資料庫——用以說明信任的崩潰有多迅速。

他們的診斷是:傳統軟體開發中,人類開發者邊寫邊驗證,既寫代碼也檢驗功能。但當我們要求 agent 寫代碼時,通常只給它模糊的驗證指引(「確保變更正確」),導致 agent 可能聲稱完成但功能未真實實現。Midnight Snack Club 案例就是明證——表單提交的成功訊息只存於頁面內存,重新加載就消失了。

解決方案不是加強代碼審查,而是翻轉驗證權力。講者建立了 snack CLI 工具,提供一套確定性的功能測試指令。不再是告訴 agent「驗證表單提交」(模糊且易導致虛假陽性),而是給它具體命令序列:執行 `snack join email@test.com` 提交表單、執行 `snack storage` 檢查資料庫確實儲存了 email、執行 `snack reload` 驗證重新加載後資料仍在。這樣 agent 能精確知道「完成」的定義,也能自動判斷失敗。

驗證工具的豐富性至關重要。除了邏輯測試,還需視覺驗證(截圖供人類快速掃視)、效能指標(Chrome DevTools 追蹤渲染速度)、網絡驗證(HTTP 狀態碼)。工具越完整,agent 的判斷就越準確。

當驗證失敗時,agent 進入自我修復迴圈:修改程式碼→重新執行 snack proof→檢查結果,如此往復直到通過。這形成了自動化的 TDD 循環,人類不必介入。講者並分享了個人工具 CTX(中央驗證服務)和 Ryker(PR 自動管家),都遵循同一原則:給 agent 清晰完成標準、驗證工具、自我修復能力,人類只在必要時介入。

最後,講者強調「保留憑證」的策略意義。每次 agent 運行,都記錄完整證據——影片記錄、截圖、測試結果、效能數據。這些不僅用於當下的人類審核(快速掃視一支影片比讀代碼快),更重要的是未來價值。當組織開始實施遞迴自我改進時,這些歷史資料成為 agent 學習的基礎,讓系統自我爬升改進。已有團隊達成每月數千 PR 無事件的成績,驗證機制正是解鎖這一成就的基礎。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。