摘要

Verdant Manager 的核心价值不再是“生成代码”，而是将目标拆解、任务分派、并行执行、测试审查和进度汇报串联为完整工程闭环。本文结合其设计思路，解析 AI 项目经理式工作流，并用 Python 实现一个简化版多 Agent 编排示例。

背景介绍

过去一年，AI Coding 工具的主流形态基本围绕“代码生成助手”展开：开发者打开 IDE 插件或 Web 工具，输入 Prompt，等待模型生成代码，然后人工检查、补充上下文、运行测试，再继续让模型修复问题。

这种模式虽然提升了局部编码效率，但存在一个明显问题：开发者仍然承担了项目经理、架构师、测试人员和代码审查者的全部职责。

视频中提到的 Verdant Manager 代表了一种更高层级的 AI 编程范式：它不是简单地回答“下一段代码怎么写”，而是站在项目执行层面，围绕一个业务目标完成如下动作：

• 将目标拆解为可执行任务
• 将任务分派给不同 Worker
• 支持并行执行多个子任务
• 跟踪任务状态，例如进行中、待审查、已完成
• 运行测试、汇总结果并提交给用户确认
• 记住团队偏好与项目上下文
• 支持 Slack、Telegram 等协作入口

这类工具的本质，已经从 Coding Assistant 演进为 AI Project Manager + Multi-Agent Executor。

核心原理

1. 目标驱动，而不是指令驱动

传统 AI 编程工具通常依赖细粒度指令。例如：

先写登录页，再写表单，再写接口，再写测试。

Manager 模式下，用户只需要描述最终目标：

构建一个面向母婴产品商店的移动端应用，用户回答问题后生成商品清单，并留下邮箱获取个性化方案。

系统随后自动完成需求理解、模块拆分、技术路径选择和执行计划生成。

这意味着 AI 工具的输入从“任务命令”升级为“业务目标”，抽象层次明显提高。

2. 任务分解与看板状态管理

Manager 的关键能力是 Plan Decomposition。它会把一个目标拆成多个阶段，例如：

• 需求分析
• UI 信息架构
• 表单与交互流程
• 商品匹配逻辑
• 邮件采集与数据存储
• 管理后台
• 测试与部署检查

每个任务都可以拥有独立状态：

TODO → IN_PROGRESS → REVIEW → DONE

这类似于一个轻量级 Jira/Trello，只不过任务的创建、流转和汇报由 AI 自动完成。

3. 多 Worker 并行执行

相比单一对话线程，Manager 模式更适合复杂工程。一个 Worker 负责前端页面，一个 Worker 负责数据模型，一个 Worker 负责编写测试，另一个 Worker 做代码审查。

这种方式的优势是：

• 降低单上下文任务过载风险
• 提升复杂项目执行效率
• 让不同 Agent 专注于不同专业角色
• 更容易进行结果合并与审查

这也是视频中强调的“更像管理一个小型软件团队，而不是和聊天机器人反复拉扯”。

4. 成本控制：Eco Mode 与 BYOK

视频还提到了两个关键成本能力。

Eco Mode 适用于长会话、探索性任务、文案调整、轻量修改等场景。它通常使用成本更低的模型，以牺牲部分高级能力为代价换取更低消耗。

BYOK 即 Bring Your Own Key，允许用户接入自己的 OpenAI、Anthropic、OpenRouter 等服务密钥。它的意义在于：

• 使用已有 API 额度
• 自主控制模型成本
• 为不同子任务选择不同模型
• 将模型选择能力下放给高级用户

这说明 AI Coding 工具正在从“封闭产品”转向“可编排工程平台”。

技术资源与工具选型

在实际开发多 Agent 编排系统时，我个人更关注三个指标：模型覆盖范围、接口统一性、更新速度。

我日常使用的是薛定猫AI（xuedingmao.com）。它提供 OpenAI 兼容接口，聚合 500+ 主流大模型，包括 GPT-5.4、Claude 4.6、Gemini 3.1 Pro 等。新模型通常可以较早通过统一 API 体验，适合做多模型评测、Agent 编排、代码生成和审查类实验。

统一接入接口的价值很直接：业务代码只需要维护一套 base_url + api_key + model 的调用方式，就能在不同模型之间切换，显著降低多模型集成复杂度。

下面示例默认使用 claude-opus-4-6。该模型在复杂推理、长上下文理解、架构分析和代码审查方面表现较强，适合作为“Manager Agent”或“Reviewer Agent”的核心模型。

实战演示：实现一个简化版 AI Manager

下面用 Python 实现一个简化版流程：

1. 输入业务目标
2. Manager Agent 拆解任务
3. 多个 Worker 并行执行
4. Reviewer 汇总审查结果

安装依赖

pip install openai

完整代码示例

import os
import json
from dataclasses import dataclass
from concurrent.futures import ThreadPoolExecutor, as_completed
from typing import List
from openai import OpenAI


# =========================
# 1. 初始化 OpenAI 兼容客户端
# =========================
client = OpenAI(
    api_key=os.getenv("XDM_API_KEY"),          # 在环境变量中配置你的 API Key
    base_url="https://xuedingmao.com/v1"       # 薛定猫AI OpenAI兼容接口
)

MODEL = "claude-opus-4-6"


@dataclass
class Task:
    """表示一个可执行子任务"""
    id: int
    title: str
    role: str
    description: str


def call_llm(system_prompt: str, user_prompt: str) -> str:
    """
    通用大模型调用函数。
    使用 OpenAI Chat Completions 兼容协议。
    """
    response = client.chat.completions.create(
        model=MODEL,
        messages=[
            {"role": "system", "content": system_prompt},
            {"role": "user", "content": user_prompt}
        ],
        temperature=0.3
    )
    return response.choices[0].message.content


def extract_json_array(text: str) -> list:
    """
    从模型输出中提取 JSON 数组。
    实际生产环境建议增加更严格的 Schema 校验。
    """
    start = text.find("[")
    end = text.rfind("]")
    if start == -1 or end == -1:
        raise ValueError("模型输出中未找到 JSON 数组")

    json_text = text[start:end + 1]
    return json.loads(json_text)


def manager_decompose(goal: str) -> List[Task]:
    """
    Manager Agent：将业务目标拆解成多个工程任务。
    """
    system_prompt = """
你是资深 AI 项目经理，擅长将产品目标拆解为可执行的软件工程任务。
请只输出 JSON 数组，不要输出额外解释。
每个任务包含字段：id、title、role、description。
任务数量控制在 4 到 6 个。
"""

    user_prompt = f"""
业务目标如下：
{goal}

请将其拆解为适合并行执行的软件开发任务。
"""

    result = call_llm(system_prompt, user_prompt)
    raw_tasks = extract_json_array(result)

    return [
        Task(
            id=item["id"],
            title=item["title"],
            role=item["role"],
            description=item["description"]
        )
        for item in raw_tasks
    ]


def worker_execute(task: Task) -> dict:
    """
    Worker Agent：执行单个子任务。
    这里返回设计方案、实现要点和测试建议。
    """
    system_prompt = f"""
你是一个专业的软件工程 Worker，当前角色是：{task.role}。
你需要围绕任务给出可落地的实现方案。
输出必须包含：
1. 实现思路
2. 核心模块
3. 关键代码或伪代码
4. 测试要点
"""

    user_prompt = f"""
任务标题：{task.title}
任务描述：{task.description}

请完成该任务的工程设计。
"""

    output = call_llm(system_prompt, user_prompt)

    return {
        "task_id": task.id,
        "title": task.title,
        "role": task.role,
        "status": "DONE",
        "output": output
    }


def reviewer_summarize(goal: str, worker_results: List[dict]) -> str:
    """
    Reviewer Agent：审查多个 Worker 的输出，并生成最终汇报。
    """
    system_prompt = """
你是技术负责人，负责审查多个 AI Worker 的工程输出。
请检查方案是否完整、一致、可实现，并指出风险点。
最后给出下一步执行计划。
"""

    user_prompt = f"""
原始业务目标：
{goal}

Worker 输出如下：
{json.dumps(worker_results, ensure_ascii=False, indent=2)}

请生成技术审查报告。
"""

    return call_llm(system_prompt, user_prompt)


def run_ai_manager(goal: str):
    """
    AI Manager 主流程：
    目标拆解 → 并行执行 → 汇总审查。
    """
    print("=== Manager 正在拆解任务 ===")
    tasks = manager_decompose(goal)

    for task in tasks:
        print(f"[TODO] {task.id}. {task.title} - {task.role}")

    print("\n=== Worker 并行执行中 ===")
    results = []

    with ThreadPoolExecutor(max_workers=4) as executor:
        future_map = {
            executor.submit(worker_execute, task): task
            for task in tasks
        }

        for future in as_completed(future_map):
            task = future_map[future]
            try:
                result = future.result()
                results.append(result)
                print(f"[DONE] {task.title}")
            except Exception as e:
                print(f"[FAILED] {task.title}: {e}")

    print("\n=== Reviewer 正在生成审查报告 ===")
    report = reviewer_summarize(goal, results)

    print("\n=== 最终审查报告 ===")
    print(report)


if __name__ == "__main__":
    product_goal = """
构建一个面向母婴产品商店的移动端 Web 应用。
父母可以回答几个问题，系统根据答案生成商品清单。
如果用户希望获取个性化清单，可以提交邮箱。
应用需要界面简洁、适配移动端，并适合小规模上线验证。
"""
    run_ai_manager(product_goal)

注意事项

1. Manager 不能替代工程审查

AI 可以拆解任务、生成代码和运行验证，但生产环境仍需要人工审查，尤其是支付、金融、医疗、权限系统等高风险场景。视频中也明确提到，不能“盲目部署银行应用”。

2. 并行 Agent 需要上下文边界

多 Worker 并行执行时，要避免任务之间重复设计或接口不一致。实际系统中建议加入：

• 统一技术栈约束
• 数据模型规范
• API Contract
• 代码风格约束
• 合并前 Reviewer 审查

3. 成本策略需要分层

复杂架构设计、关键代码审查适合使用高能力模型；文案润色、轻量修改、测试用例补充可以使用低成本模型。合理的模型路由是 Agent 系统落地的重要能力。

4. 个性化配置会影响团队协作体验

Manager 的昵称、头像、角色定位并非纯粹 UI 装饰。接入 Slack 或 Telegram 后，团队需要明确它的职责边界：什么时候让它拆任务，什么时候让它审查 PR，什么时候让它执行自动化验证。

总结

Verdant Manager 的启发在于：AI 编程工具的竞争重点，正在从“谁更会写代码”转向“谁更能组织工程执行”。目标拆解、多 Agent 并行、状态管理、审查汇报、成本控制和团队协作入口，构成了下一代 AI Coding 平台的关键能力。

对于开发者而言，这类模式并不是削弱技术角色，而是减少重复的项目管理噪声，让工程师把更多精力放在架构判断、质量控制和关键决策上。

#AI #大模型 #Python #机器学习 #技术实战