人工智能编程智能体改变了我的工作方式。
当我开始使用它们时，工作流程很简单：
给智能体分配一个任务 → 等待 → 审查结果 → 继续。
运行一个智能体足够简单。
后来，我开始并行运行多个智能体。
起初，这感觉像是生产力的巨大提升。不同的智能体可以同时处理不同的任务：
- 1. 一个智能体实现功能
- 2. 另一个修复错误
- 3. 另一个探索技术方案
- 4. 另一个审查代码
- 5. 另一个处理重复性任务
限制因素似乎不再是我编写代码的速度。
然后，意想不到的事情发生了。
瓶颈变成了我自己。
我当前的设置
我的工作流程通常涉及同时运行超过 10 个智能体。
它们并不都是同一类型的智能体：
- 1. 克劳德代码（Claude Code）
- 2. 科德克斯（Codex）
- 3. 月之暗面（Kimi）
- 4. 其他特定任务智能体
其中超过一半是编程助手，这意味着它们会消耗大量的中央处理器和内存资源。
在一台机器上运行所有内容并不现实，因此我将它们分散在多台机器上，并通过终端会话进行远程管理。
从理论上讲，这听起来是一个不错的设置。
实际上，它产生了一个不同的问题。
问题不在于运行智能体，而在于了解正在发生什么。
当你有许多智能体在运行时，第一个问题不再是：
“这个智能体能完成任务吗？”
问题变成了：
“每个智能体现在都在做什么？”
我开始注意到，我花费越来越多的时间来检查会话，而不是做出决策。
诸如以下的问题：
- 1. 这个智能体还在工作吗？
- 2. 它已经完成了吗？
- 3. 它在等待我的输入吗？
- 4. 它卡住了吗？
- 5. 这个会话还相关吗？
智能体虽然在运行，但我的可见性却越来越差。
上下文切换成为真正的成本
最大的精神负担来自于在不同会话之间切换。
每次我打开另一个终端标签页时，都需要重建上下文：
- 1. 这个智能体之前在做什么？
- 2. 我为什么启动这个任务？
- 3. 已经做出了哪些决策？
- 4. 接下来应该发生什么？
对于一个或两个智能体来说，这是可以管理的。
对于十个或更多智能体来说，这就变得令人精疲力竭。
问题不在于智能体能力不足。
问题在于人类的注意力仍然是有限的。
多台机器使情况变得更难
由于编程智能体资源占用高，许多人无法简单地在一台笔记本电脑上打开 10 个智能体。
我的工作流程需要多台机器。
远程终端工具在连接这些机器方面表现良好，但它们主要只显示终端本身。
它们不会告诉我：
- 1. 哪些会话处于活动状态
- 2. 哪些会话正在等待
- 3. 哪些会话已完成
- 4. 哪些会话需要注意
因此，唯一的了解方式是手动检查每个标签页。
十个智能体意味着十次上下文切换。
终端复用器解决的是另一个问题
我尝试过终端复用器和其他终端多路复用器。
它们是优秀的工具。
它们解决了一个重要问题：
我如何保持会话活跃并井井有条？
但是管理多个人工智能智能体引入了另一个问题：
我如何管
免责声明：本文内容来自互联网，该文观点不代表本站观点。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，请到页面底部单击反馈，一经查实，本站将立刻删除。
