打字就是在 Coding｜ Das Auto 全民自动化
1. Dify 类产品在逐步被扫进垃圾堆
LLM OPS 类工具刚出现的时候，那会 LLM Coding 能力没那么强大，大部分人是通过 Prompt 流程去完成一个实际生产任务，当然中间会结合 RAG & 封装的 API （其中的 API 演化成 MCP 工具发）去跟已有的业务系统对接。
但这个工具其实使用门槛也是有的，普通人还是要了解 Coding，你要熟谙整个业务流程，你要不停地尝试，然后通过评测集去评估整个 Dify 流的输出效果，因为一旦混合了 Prompt 流程，中间就带来不确定性，切换 Model 也会带来不确定性，一年前不同厂商 Model 的差距还是比较明显的，当然现在这个差距在缩小（尤其是常规生产任务场景上），Model 的差异在复杂的生产任务上才会体现得更明显。
用流程是为了追求确定性，那为啥不直接选择 Coding。如果这是一个真正的生产任务，Coding 修改的代价目前在逐步在变低，某种程度我认为已经开始比 Dify 类产品低了，而其带来的确定性是比 Dify 类产品高的，基本不需要通过构建一个测试集（有些重的任务需要上千条数据）来验证输出。
如果构建一个测试集成本很高，为什么不用 Coding 来生成测试用例来验证，又或者通过构建一个测试 Agent 在程序内部去验证。
2. Cursor 的声音在变弱
目前看到更多开发人员在用 Trae、Kiro、Codex、Antigravity，Cursor 产品的壁垒和不可替代性在急剧降低，如果你没用上 Claude 家的模型，这个产品的使用价值是在打折扣的。没办法，Claude 家目前在 Coding 能力方面是独树一帜的。
当模型的能力下降的时候，你用 Cursor 的时候就想在抽刮刮乐，唯一确定的是你的 Token 成本是在上升，而且这个产品的商业逻辑非常奇怪。Coding 生成没达到你预期的情况越多，你越需要去突破 Usage Limit 去付费更多。
Cursor，如果用不上 Claude 家的模型， 我看更多的像是一个编程教练学习工具，他更像是一个教练飞机，而不是一架战斗机，因为他的发动机不行。
Cursor 的产品能力边界非常容易被 Model 越来越强的能力边界吞噬。
3. Agentic, not Agent
不知道国内为何翻译 Agent 为智能体，比如 OTA（Online Travel Agent） 行业，之前叫在线旅游代理商，在服务领域 Agent 也有坐席的意思。Agent 我更倾向叫他代理体，你定义这个 Agent 能做什么，可以做什么（无论是配了什么 MCP、Skills、Prompt、RAG 知识库），最终你是期望这个 Agent 去帮你代理做某件事，你不需要亲自介入。
目前整个趋势是往 Agentic 这个方向发展，我理解更为代理性的行为。比如你想执行某个业务领域的某个任务，这个 Agent 自己回去拆解任务，然后每一个任务用特定的知识库、MCP、Skills 去完成，而这个中间过程不需要人去定义，设计，Model 自己去完成。你只是要说清楚你自己想干什么。
现在在 Coding 领域不少人已经开始践行 Spec-driven development (SDD) ，你在不同场景下调用架构、测试、后端、前端、设计等 Agent 来完成，与 AI 的沟通效率更高而不是在那多次刮刮乐，基本上能在 1~3 次内就能让 AI 达成自己的实现意图。
Claude 在 How we built our multi-agent research system 这篇文章介绍其 Research 模式中国中多 Agent 如何设计的，核心是 AgentLeader 如何去控制搜索任务复杂度，如何拆解搜索任务。具体搜索任务是由 SubAgent 去执行，然后由 AgentLeader 归纳汇总各 SubAgent 返回的搜索信息， 最后由 CitationAgent 严格标记引用来源。
只要你的 Token 成本跟得上，其实也可以用多 Agent 方式去完成你的任务，但是代价就是 Token 成本会会多 10~15 倍。当然还有取巧的方式，简单任务比如 SubAgent 环节用低成本的模型 DeepSeek API 等模型去完成，AgentLeader 模型还是用 Opus 4.5，某种程度上还能保证多 Agent 的输出质量。
4. Everthing is File, File is Everything
Skills 这个其实在去年10 月份就推出了，它的源起其实非常简单。Claude 推出 Claude Code（后续简称 CC）后发现大量用户用 CC 做非代码相关的生产任务。Skills 本身就是某单一颗粒度的任务最佳实践，它简单来说就是一个文件（比如 Prompt 或脚本）的集合。
相比 MCP，Skills 对普通人来说门槛进一步降低，一个特定的 Prompt 或者 Python 脚本你都可以让 Agent 在合适的时候去调用，帮助你完成一个复杂任务。
而这个复杂任务的流程你能打字在一个 .md 文件里说清楚就行了，不需要什么流程编排，这也是为什么前面说「Dify 类产品在逐步被扫进垃圾堆」。你流程再怎么编排也没有文字说明调整来得快。
这里分享一个技巧，在跟 AI 大量沟通后准备结束对话，可以加这么一句话：根据我前面跟你的沟通内容生成 .md 文件，以便后续继续沟通
如果你用 OpenCode 等 CLI 工具，文件夹下就会看到一个 .md 文件了。后续你再重新进入这个项目，模型可以读取这个 .md 文件快速了解上下文。
5.Auto 的前提是信任
你在大模型里点奶茶，核心还是信任问题。你让大模型了解你的外卖喜好，了解你的住址，知道你的支付帐号，你相信它会领取折扣最大的优惠券。
这也是我更倾向于在 DeepSeek 家使用的原因，他家不搞广告业务。