文章批判性分析了当前 coding agent（如 Claude Code、Codex、OpenCode）的种种缺陷：任务管理糟糕、不会并行处理和委派、对自身功能一无所知、计划表达混乱、轻易停下等待用户、缺乏真正的沙箱安全边界。作者区分了模型（大脑）与 agent（身体），指出模型进步很快但 agent 层才是瓶颈，并列举了理想 agent 应具备的能力：任务拆分与模型委派、人类易读的计划、OS 级沙箱、ETA 估算、自省改进等。最后猜想这是委托—代理问题——AI 高管与一线开发者脱节，只关注 demo 和基准测试而非开发者体验。
本文介绍 Replit AI 团队关于 agent harness 设计的实证文章：与其让较弱的 router 替强模型选择 LLM，不如解放模型自己决定 effort 档位、何时委派任务以及交给谁。Replit Agent 通过四个可组合委派原语（领域感知子 agent、档位与 effort、可复用子 agent、动态 effort 调整）实现这一目标。生产数据显示，GPT-6 Astra 是首个无需吩咐就例行把实现交给通用 worker 的模型，回访已有子 agent 的比例达 42%。基准测试中 Replit Agent 在 DeepSWE 和 Terminal-Bench 上均优于 sidekick 架构 11~16 个点，且具备成本-质量帕累托有效性。作者将其解读为 Sutton「苦涩的教训」的实例：模型越强，harness 越应少做决定。
本文介绍 xAI 团队设计 Grok Bot 的产品思考：将十几个 AI 概念收敛为 Bot、Chat、Prompt、Tool、Artifact 五个用户原语；把组织单元从聊天记录换成 Bot 名单，让心智模型从工具切换为同事；通过头像动画承载生命周期提供在场感；为每个 Bot 配备独立电脑并采用三级访问设计；用结构化卡片回答信息；能力共享而上下文按角色隔离；Routine 让 Bot 无需提示词即可按日程或事件自主工作。整个设计的核心原则是持续做减法，回归'帮人委派而非增加管理负担'。
本文介绍如何利用Grok Bot构建一人公司。Grok Bot并非简单的聊天机器人，每个机器人拥有独立的云电脑，可登录真实工具（如LinkedIn、Gmail、Slack等）并自主操作。文章详细阐述了从获取访问权限、创建机器人、连接工具、演示任务、设置定时触发到多机器人协作的完整流程，强调从“提示”到“委派”的转变，帮助用户将重复性工作自动化，从而专注于决策。
本文探讨了AI代理普及后，人类从执行者转变为监督者的现象。作者指出，当执行成本降低，监督成为新的瓶颈，并提出了一个包含委派契约和监督循环的框架。委派契约包括成果、上下文、决策权和验证四部分，监督循环则包括派遣、检查点、验证、升级和记录五步。文章引用了OpenAI和Anthropic的数据，强调了明确边界和验证的重要性，旨在帮助知识工作者有效管理AI代理，避免陷入协调困境。
