方法 1
Ultrawork
只需说 'ulw' 然后离开。
- 分析代码库上下文
- 将任务分解为原子步骤
- 执行实现
- 针对需求验证
- 提交更改
零干预。完全自主。只看结果。
宣言
Ultrawork 宣言
高产出工程的哲学
> 人类介入 = 瓶颈
想象一辆自动驾驶汽车，每 30 秒就需要你握住方向盘。你会称它为'自动驾驶'吗？不会。你会说它是个比定速巡航好不了多少的驾驶辅助功能。
编程又有什么不同？
我们已经接受了一种范式，'AI 编程'意味着一个聊天机器人写 20 行代码，然后等你修复。这不是自动化——这是微观管理。
- 修复 AI 的半成品代码
- 手动纠正语法错误
- 来回复制粘贴上下文
- 逐行检查幻觉
那不是'人机协作'——那是 AI 没有完成它的工作。
OmO 建立在一个人类应该是架构师，而非拼写检查员的前提上。
无法区分的代码
Agent 写的代码应该与资深工程师写的代码无法区分。
- 遵循现有代码库的模式和架构
- 实现正确的错误处理和边界情况
- 编写真正测试行为的测试，而不仅是覆盖率
- 没有'AI 垃圾代码'——干净、简洁、可维护的代码
- 只在增加价值时注释，不陈述显而易见的内容
"如果你能分辨出提交是由人类还是 Agent 完成的，那么 Agent 就失败了。"
Token 成本 vs 生产力
我们不在乎 token 使用量。我们在乎产出。如果花 5 美元在 token 上能节省一小时的工程时间，那就是 20 倍的投资回报。
- 并行 Agent 探索多种解决方案
- 无需人工干预即可完成工作
- 彻底的自我验证循环
然而...
我们在关键之处优化效率。不是通过削弱模型，而是：
- 对常规任务使用更便宜的模型
- 避免冗余探索
- 智能缓存上下文
- 恰到好处地停止
最小化人类认知负荷
人类只需要说出他们想要什么。其余都是 Agent 的工作。
方法 2
规划器 + 执行器
当你需要战略性控制时。
Ultrawork Planner
进行访谈、研究上下文并写出详细的工作计划。
/ulw-execute
在同一会话中执行已批准的计划，按类别委派，管理波次并跟踪进度。
你设计架构。Agent 执行。完全透明。
可预测
相同输入 = 一致输出。除非要求，否则没有随机偏差或创意发挥。
持续
经得起中断。实时跟踪进度。跨会话保留上下文。
可委派
明确的验收标准。自我纠错机制。仅在绝对必要时升级。
核心循环
- Human Intent
- Agent Execution
- Verified Result
规划访谈
通过智能访谈提取意图
计划顾问
在歧义变成 Bug 之前捕获它们
计划评审关卡
在执行前验证计划完整性
Orchestrator
无需人工微观管理协调工作
Todo Continuation
强制完成，防止'我完成了'的谎言
Category System
无需人工决策路由到最优模型
Background Agents
并行研究而不阻塞用户
Wisdom Accumulation
从工作中学习，不重复错误
我们正在构建的未来
- 人类开发者专注于构建什么，而非如何让 AI 构建它
- 代码质量与谁编写的无关
- 复杂项目与简单项目一样容易
- '提示工程'变得过时
"Agent 应该是无形的。就像电，就像自来水。"
"你按下开关。灯亮了。你不会去想电网。"