过去几个月，Coding Agent 基本成了我每天都会用的工具，我自己已经很少直接写代码了。
去年差不多这个时候，我还在问：Claude Code 真的能在一个维护了 6 年的 repo 里完成实际的开发工作吗？现在看来，这个问题的答案已经很清楚了。
但很长一段时间内，让我头疼的不是 Coding Agent 能不能写出合格的代码，而是我怎么和它一起工作。
之前有一段时间，我同时开了太多 thread。每个 agent 都在疯狂输出，看起来所有的事情都在推进，但最后交付的结果没有一个真正令我满意。也是从那时候开始，我尝试做 Human Context Engineering ，限制同时进行的事情，把自己的注意力留给设计和判断。
这样工作了两个月之后，这个适合我的工作流慢慢清晰了起来。
它其实很简单：Shift Left。
软件工程从来不只是写代码。粗略一点，可以把它分成两部分：左边是理解问题，右边是代码实现。
刚工作那几年，我的大部分时间都花在右边。随着经验越来越丰富，花在左边的时间也越来越多。在 Coding Agent 出现之前，两边大概是 50/50。
我以前会有意识地给写代码留出至少一半时间。因为不管前面想得多清楚，只要代码还没跑起来，接下来会遇到什么其实是个未知数。
可能是兼容性问题导致服务挂了，也可能是刚升级的包改了接口。很多问题必须真的跑一次才会出现。出现以后，还要看 changelog、搜 Stack Overflow，再一个个试可能的解法。
这些事情很花时间。所以我的习惯一直是：不要让计划占据大部分的时间，至少留一半时间给实现。
这个方法以前一直有效，我也很相信它。
Coding Agent 出现之后，这套方法开始不太适用了。
我不可能比 Pi 或 Claude Code 写得更快，也不可能比它更快读完一堆 changelog。到了睡觉时间，我要去睡觉，它还可以继续跑。
但快不代表结果一定可靠。对我来说，最难受的情况并不是 agent 跑得慢，而是它跑了很久之后，交回来一个我不敢用的结果。时间花了，token 也花了，最后还得重新来一遍。
Agent 有点像一辆开到 300 km/h 的赛车。方向对了，很快就能到；方向错了一点，也会很快撞上去。
所以我开始改变分工：把大部分时间放到左边，想清楚之后再交给 agent。
现在我会反复校订 spec，直到它能清楚回答这几个问题：
- 这一轮改动符合长期的架构方向吗？
- 做完之后，具体应该看到什么结果？
- 准备怎么验证它？
简单的问题可能半小时就够了，复杂一点的问题有时会花掉半天，甚至一两天。
以前我会觉得，半天还没有开始写代码，是不是太慢了。现在反而觉得没关系。只要 spec 足够清楚，后面的执行就可以放心交给 agent。我也不用一直盯着它，可以开始想下一项工作。
这的确没有社交媒体上那些“全自动 agent team”看起来那么花哨，但它确实让我在单位时间内完成了更多事情，也没有让工作量增长到自己无法处理的程度。
为了让这个思考过程更高效，我单独建了一个 secondBrain repo。
我所有的 AI session 都从这里开始。spec、plan、learning 和 todo 也都放在这里，并做好版本管理。
所有规则都写进 AGENTS.md，再用 Pi 的 hook 自动补充一些过程记录。在每次开始探索之前，agent 会先读相关材料。这样，之前做过的取舍和已经聊好的决定，就不会在下一份 spec 里莫名其妙地丢失或被推翻。
Superpowers 是我在 secondBrain 里面主要使用的 skill。它确实很费 token，执行也不算快，但它能很好地帮我探索陌生领域，找到不同代码库里的边边角角，再把相关内容连接起来。更重要的是，它会把一个大问题拆成很多小问题，逼着我逐个回答，也逼着我进行结构化思考。回答到后面，我通常才会真正知道这一轮想做什么。
为了更方便地校订 spec，我还写了一个 Pi plugin，可以直接在文档里批注，有点像 Codex 或 Claude Code 里的 annotation，但更符合我自己的使用习惯。
说到这里，如果现有工具总有一个地方让你用得不舒服，我很推荐自己做一个。毕竟现在写这种小工具的成本已经很低了。
验证这部分，我还是沿用传统的测试金字塔结构，只是在最上面加了一层很薄的 agent testing。
以前功能做完以后，我会自己打开浏览器或者 app，到处点一点，看看结果对不对。现在这一步主要交给 agent-browser。它负责操作，并留下截图或者录屏；另一个 reasoning agent 再拿这些素材，对照 spec 里的预期做验证。
这不能代替测试，也不能代替我最后的判断。它只是取代了原来重复的手工验证部分。
这套 shift left 的工作方式，我用到现在差不多两个月了，目前是我多次尝试下来最适合自己的工作流。
不过，世界上没有银弹。我并不推荐盲目照搬这里分享的做法。每个人的工作内容不同，和 AI 配合的方式也一定不同。
但如果其中某一点恰好能解决你的问题，或者让你得到一些 idea，进而优化自己的 agent workflow，那这篇文章的目的就达到了。