Ask HN:你当前的 AI agentic 配置是什么?

开发者正在迅速收敛到少数主流工具——尤其是 Claude Code、Codex、DeepSeek 和 Qwen——同时也在尝试从简单的聊天式助手到协调多个代理的复杂“软件工厂”等各种方案。许多人会同时订阅多个服务、使用多种 harness(Pi、OpenCode、T3 Code、herdr、Orca 等)以及自定义编排器,以并行化编码、研究和个人自动化;但他们也报告了认知负担、QA 麻烦和不断上涨的 token 账单。值得注意的是,一小部分人仍坚持单一轻量模型,或完全避免使用 LLM,原因包括隐私、安全和技能退化担忧;同时,越来越多的人强调沙箱隔离、本地推理,以及让人类始终处于审查环节。

订阅与模型

  • 非常常见:付费的 Claude(Opus 5.5/Sonnet/Fable)和 ChatGPT/Codex 套餐;有些人会在不同提供商之间同时维护多个 $100–$200 的计划。
  • 也有人保持极简:单一的 $20 套餐,或仅使用雇主支付的 Copilot/Claude/Gemini;有一小部分人不付费,只用免费层或本地模型。
  • 开放权重模型被大量使用:DeepSeek 4.1 Flash、GLM-5.3、Qwen 3.6/3.8、Kimi、Mistral、Gemma 等,通常通过 OpenRouter 或较小的欧盟提供商使用。
  • 常见模式:用“前沿”模型做规划/审查,用更便宜或本地模型做大批量实现、总结或批处理任务。

Harness 与工作流

  • Claude Code 和 Codex desktop/CLI 是主流编程 harness;很多人说它们“已经足够”,而且进步很快。
  • 其他替代方案包括:OpenCode、Pi/oh‑my‑pi、DeepSeek Harness、Antigravity、Kiro、Maki、Hermes、Muse Code、Zed/JetBrains/Cursor 集成,以及终端多路复用器(tmux、Herdr、Rex、Orca、T3 Code)。
  • 一些人还构建了自己的 harness(通常是开源的),并按自己的 UX 进行定制:看板仪表盘、卡片/画布式 UI、Emacs 集成,或 Slack/Telegram 前端。

编排、子代理与“软件工厂”

  • 许多人依赖 Claude Code、Codex、DeepSeek Harness、Pi 等内置的子代理功能来做任务分发和代码审查。
  • 还有一长尾用户使用显式编排器或平台:OpenClaw、Hermes Agent、Grok Bot、Dots、Muse、ctlflow、Paseo、Gas Town、Kiro 风格的工厂等。
  • 不少人自己搭建了“软件工厂”:由 Jira/Linear/GitHub issue、看板或 sprint 卡片驱动的代理;代理会发起 PR、运行测试、进行对抗式审查,并持续循环直到获得人工批准。
  • 也有人对 swarm 持怀疑态度,认为相比单个强代理加人工引导,它们只是烧 token、脆弱且没必要。

本地 vs 云端、成本与性能

  • 有些人完全在本地运行(Mac MLX、RTX/Strix Halo/DGX Spark 机器),配合 Qwen/Gemma/GLM/DeepSeek,理由是隐私、可控性和低边际成本。
  • 也有人更偏好云订阅,认为订阅额度胜过 API 定价,也省去硬件折腾;少数人每月花费 $400–$1000,但很多人仍能舒适地控制在 $10–$40。
  • 线程里也提到一些权衡:前沿闭源模型总体上仍然更强、更简洁;而开放权重模型在许多编码和自动化任务上正快速变得“足够好”。

安全、隔离与态度

  • 隔离策略从“直接在我的笔记本上原样运行”到精细的沙箱不等:bubblewrap、Docker/microVM、专用 Unix 用户、libvirt VMs、Coder workspaces,或带凭据代理和 URL 白名单的自定义 gVisor/gateway 设置。
  • 有些人明确担心账号封禁、安全过滤、数据保留或 prompt injection;另一些人则更放松。
  • 对 AI 本身的看法差异很大:从“把我从程序员提升成架构师”和近乎成瘾的生产力,到谨慎但热情地采用,再到因为伦理、安全或担心认知外包而完全拒绝使用 LLM。