这里有怪物：当代理替你干活时，你还需要知道什么？
随着 AI 编码代理接管越来越多的实现工作，工程师们认为，人类价值会转向系统所有权：维持高层心智模型、知道何时深入排查，以及识别代理何时犯下细微但危险的错误。评论者指出，在数据模式、金融和安全等领域，漏洞仍然需要专家监督，即使许多消费级平台为了增长和参与度而容忍更高的缺陷率。人们也担心如何培养下一代开发者、利用 AI 最大化用户注意力的伦理问题，以及当机器能力不断扩展时，社会是否会选择保留有意义的人类能动性。
广度、“地图”和即时深度
- 许多人认为，AI 之后的关键技能是广泛理解，再加上按需深入的能力。
- 系统的高层“地图”通常可以由 AI 生成，但人类仍需要足够的基础知识，才能察觉地图何时在细微处出错。
- 不适或困惑被视为信号，表明一个人的心智模型已经过时，需要深入钻研。
所有权、失败模式与产品影响
- 历史上，压力过大的开发者与产品失败相关；目前尚不清楚代理驱动的系统是否也会以类似、可预测的方式失败。
- 有人说，现代许多 bug 并不会实质性伤害增长（尤其是在广告/注意力产品中），而另一些人强调，在金融或安全关键领域，即便很小的隐藏错误也会造成灾难性后果。
- 几位参与者认为，核心的“所有权”技能是培养对哪些地方可能出现未被发现的故障（数据损坏、安全漏洞）的直觉。
信任、代理与“皮肤在游戏中”
- 只有在代理保持一致时，指导它才有效；识别不一致同样需要广度和深度。
- 有人把管理代理等同于管理员工团队；也有人反对这一点，指出 AI 没有真正的后果或动机。
- 对于缺乏“皮肤在游戏中”究竟是根本性限制，还是可通过流程和工具缓解的问题，存在分歧。
与代理协作的技术实践
- 一个强烈共识是，人类仍必须掌控：
- 数据模式和持久化格式。
- 公共 API、线协议以及其他“难以更改”的边界。
- 代理在规范化、命名和对象设计方面被认为较弱；许多人会手动审查或直接自己做这些部分。
- 大量测试夹具、黑盒测试以及显式复杂度分析是常见策略。
- 证明系统被提及为一种缺失但强大的方式，可在保证条件下扩展由代理编写的代码。
职业、训练与人的能动性
- 人们担心初级开发者可能得不到将来在“盒子内”调试所需的深度实践。
- 有些人预见，会出现一小群经验极深的故障排查专家，他们将变得极为抢手。
- 讨论还包括：人类是否需要独一无二、不可替代的技能；一种观点认为，保留人的能动性是道德/制度选择，而非技术必然。
- 还有伦理担忧，指向那些刻意利用认知弱点的产品；另一些人则认为，在没有监管的情况下，这类策略在商业上不可避免。