你有没有把一个想法在脑袋里揣了8年的经历?总想着"以后总会做的",可每次都因为太难、太枯燥、失败风险太大而一拖再拖。Google Perfetto团队的资深工程师Lalit Maganti就是这样。
但到了2025年底,他试用AI编程代理(AI Coding Agent)后,事情变了。"这次好像真的能做成。"结果他用250小时、3个月时间,推出了一款叫syntaqlite的SQLite开发者工具。这个故事真正有意思的地方在于——它不是成功故事,而是一份失败和重启的记录。
这是什么?
Lalit Maganti在Google负责一款叫Perfetto的性能分析工具。这个工具内置了基于SQLite的查询语言,用户开始陆续要求格式化器、Linter和编辑器扩展。问题是,现有的SQLite工具要么不完整,要么慢,要么不够灵活。
有人会想"那就从头好好做一个吧",但从零开始写一个SQLite解析器,既没有官方语言规范,源代码又是用极其复杂的C写的——作为一个副业项目,它实在太难、太枯燥了。要逐条定义400多条文法规则,要为每条规则写测试,还要修Bug……所以8年来,他一直停留在"想做但做不了"的状态。
为什么这个故事对"非开发者"也重要
这看起来像是程序员的故事,但本质并不是。它讲的是"一个因为太难、太枯燥而搁置的项目,终于能借助AI开始动手了"。营销人员的自动化系统、设计师的设计系统、产品经理的数据管线——你是不是也有这样的项目?
有什么不同?
Lalit的3个月大致分为两个阶段。而这两个阶段的差别就是这篇文章的核心。
第一阶段:Vibe Coding(1月)——失败
2025年圣诞假期,他做了一个测试:"用Claude Code Max方案(每月200英镑)能不能完全靠Vibe Coding搞定?"从技术决策到实现,几乎全部交给AI,自己只扮演"半技术化的管理者"角色。
结果呢?从功能上看,它跑起来了。解析器、格式化器、Web Playground全都做出来了,500多条测试也写好了。但1月底他仔细Review代码,发现——完全是一团乱麻。
函数散落在随机的文件里,单个文件膨胀到几千行,Python抽取管线连他自己都看不懂。这次尝试证明了"思路是可行的",但这套代码绝对没办法支撑真实用户。
最终他把所有代码全部推倒,从头开始。
第二阶段:Agentic Engineering(2~3月)——成功
第二次尝试,彻底变化的是他自己的角色:
| 第一阶段:Vibe Coding | 第二阶段:Agentic Engineering | |
|---|---|---|
| 人类的角色 | 半技术化的管理者 | 设计师 + 评审者 |
| 设计决策 | 委托给AI | 人类亲自做 |
| 代码评审 | 极少 | 每一处变更都Review |
| 重构 | "以后再说" | 每一批改完立刻做 |
| AI用途 | 所有事 | 实现 + 调研 + 重复劳动 |
| 结果 | 一团乱码 → 全部推倒 | 可发布的产品 |
Simon Willison梳理的Agentic Engineering(代理式工程)概念正好对应这一点。如果说Andrej Karpathy提出的"Vibe Coding"是"忘掉代码本身",那么Agentic Engineering就是让AI写代码,但人类负责设计、验证和把方向。
上手指南:如何用AI启动那些一直拖着的项目
原型可以用Vibe Coding,生产环境绝对不行
第一阶段让AI帮你验证"这事能不能做",是个出色的策略。Lalit也说,1个月的Vibe Coding证明了思路的可行性。但你想把那套代码搬到生产环境的瞬间,它就崩塌了。原型 ≠ 生产。
设计必须由人来做
AI对"把这个函数这样实现"非常擅长,但对"这个API给用户的体验好不好"却糟糕透顶。架构、公开API、用户体验——这些是没有"客观可验证标准答案"的领域,也正是AI最不擅长的领域。
把重构当成习惯
AI以工业级规模生成代码,你的重构也得跟上工业级规模。不重构,马上失控。Lalit说他"每一批量产代码之后,都会自问'这写得难看吗?'"。AI看不见的大尺度抽象,由人类把方向,执行交给AI。
把AI当成调研助手用
Lalit说AI上ROI最高的不是写代码,而是调研。学一个不熟悉的算法本来要一两天,用一小时对话就压缩完了。第一次摸VS Code扩展API要花一整天,缩短到1小时。它能极大地降低不熟悉领域的入门门槛。
警惕"老虎机上瘾"
"再Prompt一次试试"——这是AI编程最危险的陷阱。人累的时候,Prompt会变模糊,结果变差,你又再试,然后更累——一个恶性循环。这种时候关掉AI自己写反而更快。用AI也得管理自己的精力。
METR的研究揭示的不舒服的真相
METR在2025年的一项RCT研究显示,熟练的开源开发者用了AI工具后,反而慢了19%。更惊人的是?这些开发者却相信自己快了20%。这跟Lalit的体验高度吻合——AI给你"变快了"的错觉,但背后藏着设计债与理解力流失这两笔看不见的成本。
深入了解
Eight years of wanting, three months of building with AI — Lalit Maganti的完整复盘。连项目日志和Commit历史都拿出来作证的真诚记录。
Agentic Engineering Patterns — Simon Willison整理的AI编程代理使用模式。把Vibe Coding和Agentic Engineering的差别讲得很清楚。
METR: Measuring AI Impact on Developer Productivity — "AI工具让熟练开发者慢了19%"的RCT研究。用数据展示主观速度与真实速度之间的鸿沟。
Karpathy's Vibe Coding vs Agentic Engineering — Vibe Coding的提出者Karpathy本人也承认的局限。娱乐用与生产用的区别。
