重度使用 opencode 后引发的一些关于 agent 的感想

栏目：广告资讯发布时间：2026-01-05

转载自：https://mp.weixin.qq.com/s/rY5yqB3TE0o7LcnC4vkfpQ作者：PingCAP联合创始人兼CTO黄东旭最近高强度使用了opencode与oh-my-opencode，在一个并不简单的实际任务中，我对Agent系统的认知经历了一次显著的跃迁。任务目标非常明确：为TiKV重新构建一层兼容PostgreSQL协议的SQL接口层，需至少能通过基础测试，包括dvdrental兼容性测试和TPCC简化版。这相当于重写TiDB的

转载自：https://www./link/62b395526e160d2e25c4b910ea419a90 作者：PingCAP 联合创始人兼 CTO 黄东旭

最近高强度使用了 opencode 与 oh-my-opencode，在一个并不简单的实际任务中，我对 Agent 系统的认知经历了一次显著的跃迁。

任务目标非常明确：

为 TiKV 重新构建一层兼容 PostgreSQL 协议的 SQL 接口层，需至少能通过基础测试，包括 dvdrental 兼容性测试和 TPCC 简化版。

这相当于重写 TiDB 的 SQL 层——我清楚这项工作的难度。即便只是让 TPCC 跑通，我们团队当初也耗时约两个月。

最终成果令我震惊：项目地址在此：https://www./link/0f3839dc22ff5ad19a6b74203fac591f。

我原本预估它“能做”，但必然需要大量时间投入与反复调试；结果却出乎意料：仅用一个下午，消耗约 100 多万 token（得益于我是多个 Agent 平台的 Pro Max 用户，全程未额外付费）。

这是我第一次真切意识到：编写代码的成本已趋近于零，哪怕面对数据库、操作系统、编译器这类传统意义上的复杂系统（对当前 AI 而言，其实反而是结构清晰的“简单项目”）。

下面分享这段实践过程中的几点体悟。

Context Engineering 并不是堆 Prompt

在转向 opencode 之前，我已长期使用 Claude Code、Gemini Pro、Codex 等工具。

从表象看，它们都具备 agentic loop + tool use 的 CLI 形态。

坦白讲，底层模型能力本身已无本质差异，均属各家顶尖水准。

但在真实交付质量上，体验落差极为明显。

问题根源不在模型，而在 context engineering。不少人误以为“套壳”毫无技术含量，但我的切身体会是：其中门道极深……

真正高效的 context engineering，是将以下要素持续、结构化、稳定地注入系统：

清晰但不过度琐碎的目标定义（由人设定）
可执行、可追踪的分步计划（由 Agent 拆解）
明确的工程边界与硬性约束（由人划定）
历史决策链与潜在假设（由 Agent 维护）
支撑长上下文不发散的中间状态锚点（由 Agent 构建）

例如，当我切换至 opencode + oh-my-opencode 后，所用模型完全一致，行为却天差地别。同样是 agentic loop、同样支持 tool use，但复杂工程的交付质量完全不在同一维度。

oh-my-opencode 中一个让我倍感舒适的设计是：

它并不迷信“单一大模型最强即最优”，而是将多个一线模型有机整合进统一工作流。这个思路其实不难想到——三个臭皮匠胜过一个诸葛亮，更何况是三位顶级诸葛亮？

实际效果远超预期。

未来的能力天花板，未必取决于单个模型规模的继续膨胀，而更可能来自：多模型（顶级档位）协同 + context engineering + 稳健循环机制的整体架构设计。

不中断，比“更聪明”重要

另一个常被忽视却至关重要的维度是：

无缝连续的工作流（non-interruptive flow）。

许多 Agent 系统在 “思考 → 执行 → 报错 → 等待人工确认” 的环节中频繁打断。上下文虽在，但工作流已然断裂。

目前我主要借助 ralph-loop 来缓解这一问题：让 Agent 在一个可控、稳定的闭环中持续推进（持续消耗 token），

人类只需在关键节点介入（通常是最终验收阶段），而非被迫充当“每一步的指令下达者”。

一旦中断大幅减少，变化立竿见影：工程节奏开始逼近真实开发的连续性，人的认知负荷显著降低。事实上，AI 当前已足够聪明，工具也足够成熟，效率瓶颈早已转移到人侧。

给人的界面同样重要

同样是 TUI，opencode 的交互体验明显优于 CC，我认为核心在于一点：

用户需要的是掌控感（sense of control）。

优秀的交互设计应始终让人清晰知晓：

系统当前正在做什么（实时展示 thinking 过程与 todo 列表）
它为何如此决策（提供推理依据或上下文引用）
我何时、以何种方式可以介入（明确标注干预入口与时机）

一旦用户陷入“向 Agent 下达指令→等待结果→再下指令”的被动循环，体验注定糟糕。

真正优秀的 Agent 系统，应把复杂性封装在代码逻辑与运行闭环中，

而将决策权、节奏主导权与信任感，通过精巧的界面设计交还给人。

当前最差的体验：Infra

如果必须指出当前体验中最薄弱的一环，

那仍是 infra 层：

沙箱 / 运行时环境配置
数据库及依赖服务的启动与管理
测试环境搭建、fixture 注入、数据初始化
本地开发与 CI 流水线的一致性保障

这些任务高度重复、上下文碎片化、且天然难以被 Agent 理解与调度。即使模型已能把“写代码”这件事做到极致，只要卡在 infra 上，整个工程节奏仍会被强行拖慢。

下一阶段决定体验上限的关键，并非 opencode 这类工具本身，

而是 opencode + infra abstraction 的深度融合。

当沙箱、数据库、测试框架、CI/CD 等全部成为系统可感知、可调度、可版本化的一等公民，而非一堆靠人工拼接的脚本时，Agent 才能真正从“写代码的助手”，进化为“持续驱动工程落地的自主系统”。

opencode for XXX，很快就会到来

程序员或许是最早感知 AGI 来临的群体。无论我们是否愿意接受，“职业写代码”这一角色正加速消亡。但也不必过度焦虑——人类不再靠体力狩猎后，依然会去健身房锻炼；作为一种思维训练与兴趣实践，“古法编程”将持续存在。

但从近期编程 Agent 的演进速度来看，我判断：

Context engineering 是高度可迁移的能力
模型能力正快速趋于标准化
更多 token，意味着更强的综合智能

换言之，同样的“食材”（LLM），搭配不同的“厨子”（Claude Code / Open Code），产出截然不同的“菜肴”。而你本人最初输入的 prompt（目标意图）可能从未改变。

我们很快将迎来 opencode for XXX、opencode for YYY 这类垂直领域专用 Agent 系统。

底层模型完全可以一致，但凭借差异化的上下文组织策略，它们将展现出如专业系统般的独特行为范式。

届时，“通用大模型是否足够强”将不再是核心命题，真正决定成败的关键将是：

谁更擅长构建一个长期、稳定、可持续运转的上下文系统。

源码地址：点击下载

# 这类 # 堆 # postgresql # 数据库 # tidb # https # prompt # agi # 工作流 # 接口 # 这一 # 闭环 # 多个 # 给人 # 而非 # 的是 # 我是 # 就会 # gemini # github # 操作系统 # 工具 # qq # ai # claude # 大模型 # 环境配置 # git # yy # sql # 架构 # for # 封装 # Token # 循环

相关栏目：【广告资讯37196 】【广告推广143353 】【广告优化89630 】

上一篇：原厂故意减产！2026开年内存、SSD各类存储价格全面上涨：最高涨幅60%

下一篇：《英雄联盟》全区临时停机维护原因或为安全证书到期