Teach Your Agent to Prove It's Done — Nick Nisi & Zack Proser, WorkOS
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
無驗證機制的危害
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。
從代碼審查轉向結果驗證
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。
多層驗證工具給 agent 「眼睛」與「身體」
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。
自我修復循環與 System 1/2 模型的應用
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。


