裝置是關鍵 – 如何透過個人化的代理裝置，賦能單人開發

TL;DR – 裝置是支點，讓單一開發者以遠低於 AI 成本的方式，達成團隊規模的產出。

一個個人化、模組化的 LLM 裝置（作者的 brayness 個人專案）協調規劃、執行、批判與推廣各階段，讓低成本的通用模型承擔大部分工作，僅在高影響力任務中保留前沿模型。此舉使前沿模型的使用量減少約 75%，讓單人專案的可靠性堪比大型團隊的成果。

核心洞見：裝置將 LLM 轉化為結構化的開發流程

結論： 經過精心設計的裝置，能將 LLM 的呼叫抽象為可重複的角色——探索者、規劃者、執行者、批判者、推廣者——讓開發者專注於高階決策，而系統則處理例行的程式碼工作。

  • 裝置位於一個自包含的目錄（brayness/）中，包含設定（AGENTS.md）、提示詞、計畫、技能、擴充功能，以及一個 artifacts/ 的沙盒環境。
  • 三個 UI 前端（Cursor、Claude、Pi）共用相同的裝置狀態，使模型切換無縫流暢。
  • 透過將低成本任務（例如簡單重構）委派給 Deepseek‑v4‑flash，並保留前沿模型（Claude、Fable）用於規劃或批判，作者將前沿模型的 token 使用量降低了四分之三。

裝置的架構

結論： 裝置是一種以目錄為導向、角色為基礎的工作流程，可從任何終端或 UI 呼叫。

brayness/
├── AGENTS.md            # 宣告式技能定義
├── AGENTS.local.md      # 本地覆蓋設定
├── bin/                 # 可執行的包裝程式
├── prompts/             # 可重複使用的提示詞範本
├── plans/               # 複雜功能的 DAG 定義
├── skills/              # 高階能力（探索、規劃者、…）
├── extensions/          # 模型特定的適配器（例如 Pi 橋接）
├── artifacts/           # 生成檔案的沙盒
└── work/                # 專案原始碼樹（realness、blog、…）
  • 探索者 – 收集上下文（開啟的編輯器、知識庫、訪談筆記）。
  • 規劃者 – 使用前沿模型建立任務的 DAG。
  • 執行者 – 迭代 DAG 的節點，並呼叫通用模型產生程式碼。
  • 批判者 – 進行第二輪處理（通常使用前沿模型），以簡化、測試與驗證程式碼。
  • 推廣者 – 格式化簡潔的交接內容（發行說明、溝通文件），並可能使用前沿模型進行潤飾。

成本效益的模型配置

結論： 將低成本的通用模型（Deepseek‑v4‑flash）與偶發的前沿模型爆發式使用結合，可使昂貴的 token 使用量減少 75%。

  • 通用級別 – 處理大部分維護工作、簡單重構與重複性程式碼產生。
  • 前沿級別 – 在規劃、首個任務啟動（預巡技術）與批判階段啟用，這些階段更需要高品質的推理能力。
  • 動態切換 – 由於共用裝置狀態，作者能無縫切換 Cursor、Claude 與 Pi，不影響工作流程。

"我可以在兩個二十美元的方案下，同時照顧客戶並在我自己的專案上取得實質進展，當我需要時，會在 Pi 與 Deepseek 或 Fable 的注入之間切換。" – Scott Fryxell

實際應用：Realness 相機應用程式

結論： 透過 poster‑driver 指令碼公開應用程式，裝置可驅動無頭 Chrome 自動產生向量圖形海報。

  • LLM 寫出可重複使用的 npm 指令碼（npm run make:animation …），裝置現在可無需額外 token 成本執行數十億次。
  • 檔案系統 API 存取權限（在 Brave 中啟用）讓裝置能直接將創作資產同步至開發者的作業目錄。
  • 此整合示範了 AI 增強工具如何將簡單的網頁應用轉化為可程式設計的創意流程。

社群反應 – 他人評論

  • 成本 vs. 速度： 有評論者指出，單人開發者可用每月 500 美元完成原本需四人花三個月、耗資 12 萬美元的專案，主張前沿模型在速度上是「不言而喻的選擇」。

    "我現在每月花 500 美元，而不是 4 萬美元，就能以三倍速度獲得相同成果。"

  • 模型多樣性擔憂： 有人擔憂過度依賴單一供應商；有使用者警告，未來使用量上調可能迫使轉換離開 Fable。

    "當 Anthropic 最終實施 50% 的使用量增加時……我將被迫轉換我的工作流程。"

  • 偏好更簡化的流程： 多位評論者認為複雜的角色拆分是過度工程；務實的做法是給 LLM 簡短指示，審閱輸出，再迭代。

    "使用 LLM 最好的方式，是給它一些指示，看看程式碼，然後要求它做修改。"

  • 安全性與沙盒： 有人建議建立不具完整 shell 存取權限的裝置，以提升安全性。

    "我不懂為什麼沒有人試過打造一個沒有完整 shell 存取權限的裝置。這會安全太多。"

  • 普遍共識： 多數人同意裝置正變得無處不在，而擁有個人裝置的能力是極大的生產力倍增器。

    "現在幾乎每個人或多或少都有裝置，而其美妙之處在於，你負擔得起擁有自己的版本。"

開發者實用建議

  1. 從小開始： 定義一個最小的 AGENTS.md，僅包含 探索者 與 執行者 角色；在遇到瓶頸時再加入 批判者 與 推廣者。
  2. 善用低成本模型： 使用 Deepseek‑v4‑flash（或任何開源模型）處理例行程式碼產生；保留 Claude/Fable 用於規劃或高風險重構。
  3. 在 artifacts/ 中持久化狀態： 將所有生成的檔案封裝在沙盒中，避免污染主程式庫，並簡化審計流程。
  4. 自動化推廣流程： 加入簡短的「推廣者」步驟（例如自動產生 markdown 總結），確保工作成果能有效傳達，降低「默默上線、無人知曉」的風險。
  5. 保持模型無關性： 透過裝置抽象模型呼叫，可無需重寫指令碼，就能在 Cursor ↔ Claude ↔ Pi 之間切換供應商。

未來方向

  • 微調與 LoRA： 社群成員建議整合 LoRA 適配器，以個人化開源模型，可能消除對專有前沿 API 的依賴。
  • 安全層級： 在呼叫模型前加入確定性預檢查（例如靜態分析），可降低大規模破壞性修改的風險。
  • 標準化裝置規格： 隨著更多開發者採用裝置，建立 AGENTS.md 與 DAG 定義的共享架構，可促進生態系的相容性。

總結： 一個個人化的 LLM 裝置能將原始的模型呼叫轉化為有紀律、成本效益高的開發流程，讓單人開發者能達成甚至超越傳統團隊的產出。

Sources

相關