网盘团队放弃全自动代码生成，转向人机多轮反馈循环

网盘团队近期公开其Coding Agent落地实践的深度复盘，核心结论令人意外：他们主动放弃了“全自动代码生成”路径。这一决策并非技术退步，而是基于真实研发场景的审慎校准——当系统能从需求输入一路自动执行到交付上线时，问题才真正开始浮现：流程跑得通，不代表结果是对的。

早期，网盘搭建了一套五阶段串行流程：需求规格 → 技术设计 → 任务拆分 → 代码生成 → 质量检查。每个环节自动承接上一环节输出，看似高效闭环。但在实际迭代中，该流程暴露出结构性缺陷：只要上游输入中混入未经验证的假设（如模糊需求、未确认接口），偏差便会层层放大，直至验收阶段才被发现，导致大量返工。

团队梳理出七类典型问题，可归为两类：一是执行过程“看不见、难追溯”，上下文堆叠导致关键事实混淆，错误定位成本高；二是任务输入“不完整、不可靠”，包括需求歧义、历史经验未显性化、知识图谱覆盖不足及外部依赖不稳定等。尤为关键的是，全自动系统最大的风险并非犯错本身，而是“错了还在自信地往前跑”——它缺乏对不确定性的识别与暂停机制。

这一认知推动了架构级重构：团队将原有一次性执行模式，升级为Agentic Engineering Loop（人机多轮反馈循环）。新范式强调三件事：执行前做需求调研并挂账不确定项；执行中分轮验证、全程可观测；人、Agent与工程工具各司其职。

具体而言，确定性工作（如路径分支校验、编译检查、日志上报）交由规则化脚本与质量门禁完成；而涉及业务口径理解、方案取舍、历史兼容性判断等需结合上下文的决策，则保留给人类工程师。Agent的角色转变为“证据整理者”与“方案提案者”，在分歧点提供选项，由责任人拍板确认。

这种分工重构背后，是对“自动化与可控性平衡”的工程再思考。网盘团队指出，难点不在于能否生成代码，而在于如何在真实、动态、充满隐性约束的研发环境中，让系统具备识别“未知未知”的能力，并在关键节点主动刹车。

值得注意的是，这一转向与行业趋势形成微妙呼应。当前Coding Agent正从单体模型向多智能体协同演进，Codex、Claude Code与Kimi Code等已支持动态并发（Dynamic Concurrency），即主Agent根据任务进展自主创建子智能体并协调其工作。南京大学与UIUC联合研究对354个软件工程任务进行2124次实验后发现：动态并发在部分长周期任务中确有增益，但整体成功率不稳定，在短周期任务中甚至显著下降；更关键的是，研究归纳出28种并发失败模式，其中高频问题包括子Agent重复劳动、文件冲突修改、结果整合延迟等——本质上，这些仍是“不确定性未被显式管理”的延伸。

换言之，无论单Agent还是多Agent架构，若缺乏对“待确认项”的显式建模与人工介入机制，系统仍可能在自信中偏离目标。网盘的实践提供了一个具象解法：将“人机协作”嵌入流程主干，而非仅作为兜底补救。

例如，在新流程中，需求阶段会明确标注“业务口径待确认”“异常分支未定义”等挂账项；技术设计阶段需声明“依赖服务X状态待联调”；代码生成前必须通过“假设清单核验”；每轮修改后触发轻量级回归验证，并同步更新可观测仪表盘——进度、卡点、质量指标、资源消耗一屏可视。

这种设计使研发同学能精准判断介入时机：不是全程盯梢，而是在关键决策点及时干预。团队反馈，该模式下需求到交付的平均返工率下降约60%，且问题定位时间缩短近70%。

行业层面，类似反思正在多个场景浮现。阿里云数据库负责人杨辛军近期披露，其RDS PostgreSQL新增实例中约80%由Agent创建，但随之而来的是对“Agent原生数据库”的底层重构需求——当主要用户从人变为Agent，系统必须适应意图模糊、高频短时、容错优先的新负载特征。这与网盘所面临的“不确定性管理”挑战本质同源：自动化规模越大，越需强化对“边界条件”的显式处理能力。

另一条线索来自多智能体架构演进。图4与图5展示了主流Coding Agent的并发机制差异：Claude Code采用动态生成工作流脚本组织阶段依赖；Kimi Code的AgentSwarm批量委派异构子任务；Codex则在主流程中实时孵化子智能体并交换消息。三者均试图通过多上下文扩展能力，但论文指出，真正有效的并发需满足三类机制：互补性工作（Complementary Work）、并行探索（Parallel Exploration）与独立验证（Independent Verification）——而这恰恰依赖于对任务边界的清晰划分与中间状态的可靠同步。

网盘的放弃，实则是对“全自动”神话的祛魅。它揭示了一个被忽视的事实：在复杂系统开发中，可控性比自动化程度更重要。当AI能稳定生成语法正确的代码时，工程价值的瓶颈已转移到“是否生成了业务正确的代码”——而这需要人与Agent在认知层面对齐，而非仅在执行层面对齐。

目前，该Agentic Engineering Loop已在网盘核心业务线稳定运行半年，支撑日均200+需求迭代。团队表示，下一步将把“不确定项挂账”与“决策留痕”能力产品化，开放给内部研发平台。其经验也引发业内讨论：在AI编程走向深水区的当下，或许最稀缺的不是更强的模型，而是更清醒的工程哲学。