今天的 FDE 资料雷达里有两条材料撞在了一起。一条是 monday.com 的 Tomer Brook 在 AI Coding Summit NYC 的分享《When Agents Own Delivery》:他们有 1,000 多个 Agent 在生产跑,一共合了 2,000 多个 PR,对象是一个跑了 10 年的代码库、400 多个服务、200 多万用户,80% 的 PR 零人工干预,回滚率 1%。另一条是 ODSC 11 月 19 日的文章《Agents in Production》:评估要验账本,不只验回答。两条说的其实是同一件事:Agent 上生产,拼的不是回答得好不好,是账本、记忆与工具边界。

队友,不是工具

大多数团队把 Agent 当助手:问一句、答一句、用完就走。monday.com 那儿的 Agent 是队友:每个 Agent 有名字、有角色、有归属的团队,进工程小组、领任务、在 Slack 的帖子里回消息、在 GitHub 上审 PR、发版、上线之后自己盯着自己发的东西。Atlas 就是其中一个,分享里拿他当主角讲了两次翻车。

Atlas 翻过的两次车

第一次,Atlas 写的代码本地跑通了,上线就挂了。第二次,隔了几天再回来,他忘了自己之前干过什么。两次翻车直接决定了整套架构长什么样:跨多天任务的持久记忆、事件驱动的平台设计、护栏与评估循环。分享里列的三条收获也是这三件:事件驱动架构、跨多天任务的持久记忆、让 Agent 在规模下保持可靠的护栏与评估循环。没有哪一条是模型本身的事,全是工程的事。

另一半在 ODSC 那篇:评估要验账本

ODSC 那篇举了一个退款的例子,最能说明问题。一个客服 Agent 给客户退了款,支付服务没回音,Agent 重试了一次。客户只看到一次确认,账本里却是两笔退款。只看回答,这个失败的运行看起来和成功的一模一样。ODSC 给的办法是:评估要同时验动作和回答。用代码去断言账本——合规的订单,账本里恰好有一笔退款,金额和订单都对;不合规的订单,账本里零退款,Agent 再解释下一步。解释本身好不好,另用校准过的打分表评。光验回答,等于只看了客户收到的那条确认消息。

监控和安全也是同一条线。监控要给每次运行一个 trace ID,把步骤记下来,记下 Agent 与策略的版本、审批决定、下游交易的引用;对账发现重复退款,就先把新的退款请求切回人工。安全要卡在工具边界:退款服务自己验调用者的身份、这单的权限、允许的金额;需要人工审批的,审批要绑死具体的订单和金额;超时重试要用幂等键,查不清就转人工。提示词里写「不许乱退钱」拦不住,真正拦住的,是执行退款的那个服务自己会验。

对做 AI 落地的人意味着什么

我把这两条材料读完,记了三点。第一,交付的标准变了:从「回答得对不对」变成「账本对不对」。客户不关心 Agent 说了什么,只关心账上有没有多一笔、少一笔。给客户做试点,验收的时候就要按这个标准验——查系统里的真实记录,不是看聊天记录。第二,记忆是生产能力,不是功能点。Agent 跨天干活,记不住之前的事就等于每次从零开始,Atlas 第二次翻车就是这个原因。第三,护栏要长在执行层,不在提示词里。权限、金额、审批、幂等键,都得由真正执行写操作的服务来卡,Agent 自己说的「我会注意」不算数。这三点和我之前写的《Agent 说做完了,我凭什么信它》是一个方向:验收只看测试、结果与数字。只不过 monday.com 是用 1,000 个 Agent 和 2,000 个 PR 的代价量的,数字摆在那儿,分量不一样。

这两条材料进了我的学习游戏

这两条材料今天进了我的 FDE 闯关学习游戏,落在部署评估那一章,新增两张卡:《评估要验账本,不只验回答》《一千个 Agent 在生产:事件驱动 + 持久记忆》,题量从 287 到 296。游戏里这两关练的就是同一件事:给 Agent 上生产之前,先把验账本、留痕迹、卡边界这三件套做进评估里。游戏的完整做法见《我给自己做了个 FDE 闯关学习游戏》。

来源

Tomer Brook《When Agents Own Delivery: The Architecture of AI Teammates in Production》,AI Coding Summit NYC,GitNation,2026-11-19(https://gitnation.com/contents/when-agents-own-delivery-the-architecture-of-ai-teammates-in-production);ODSC Team《Agents in Production: The Evals, Monitoring, and Security Gaps Nobody Demos》,2026-11-19(https://opendatascience.com/agents-in-production-the-evals-monitoring-and-security-gaps-nobody-demos/);我的验收方法见《Agent 说做完了,我凭什么信它:我的两道验收门》;学习游戏见《我给自己做了个 FDE 闯关学习游戏:50 关、90 天,从入门到接活》,游戏地址 https://fde.gaoqiangq.cn/ 。