教你跑通一个全自动 Coding Agent 的 MVP —— 大模型规划，小模型干活
我最近想验证一个反直觉的猜想：
在多 agent 编排里，非思考小模型反而比思考大模型更省钱。
为了验证这件事，我搭了个最小 MVP：hero-coding。然后用同一个 harness 跑了三组模型：ChatGPT 5.4、Ling-2.6-flash、Ling-2.5-1T。
跑出来的数据让我推翻了自己一开始的判断——并不是单纯的小模型赢。
下面把整个过程拆开讲。
一、什么是全自动 coding agent
一句话：丢一个 user story 进 inbox，半天后回来看 git log，检查完成情况。
inbox/us-001.md ← user story（markdown + frontmatter）
│
▼
Dispatcher ──── 监听 inbox/，spawn 子进程
│
▼
Worker ──── pi-coding-agent --mode json
│ 原子化执行，每改一个东西就 git commit
▼
Judge ──── 读 git log + 全部 diff，结构化 verdict
│
┌───┴───┐
PASS FAIL
│ │
▼ ▼
done/ 把 reason 追加到 story，再起一轮 worker
三个组件全是 stateless 一次性进程：
- Worker 一次只活一遍，跑完退出
- Judge 一次只活一遍，给完结论退出
- 所有状态都靠 git + 文件系统持久化
这正好是 brief 里反复推的工作流形态——长任务一直执行其实就是短任务串成长链。
Worker 这一块我直接用 @badlogicgames 的 pi-coding-agent。Mario 在他自己的 README 里也说：
Pi 故意不做 sub-agent 和 plan mode，留给你自己扩展。
我做的就是那个扩展——用 ~400 行 TypeScript 把 pi 包成一个有 inbox 的自动变成小助手：
这个比例就是文章想说的另一件事：搭一个真的能跑的 coding agent 工厂，不需要重写一个 coding agent。把现成的 harness 拼好就行。
二、什么是 user story
一个最小可执行的任务单位。我用 markdown + frontmatter 写：
---
id: us-001
title: Add timezone parameter to formatDate
priority: normal
max_retries: 3
---
## Goal
给 formatDate 加可选 timezone 参数，默认 UTC。
## Acceptance Criteria
- [ ] 函数签名加 timezone?: string
- [ ] 不传时和现在 byte-identical
- [ ] 传 Asia/Tokyo 时按该 tz 格式化
- [ ] 在 tests/utils.test.ts 加 3 个测试
- [ ] npm test 全绿
## Out of Scope
- 不改其他函数
- 不动 locale 设置写好之后丢进 inbox/，Dispatcher 自动接管。
模板里 Out of Scope 比 Goal 更值钱——非思考小模型容易自由发挥，这一节是给它的紧箍咒。brief 里输入越清楚结果越好那条直接呼应。
三、跑了什么、用什么跑的
我准备了一个故意带 bug 的 mini TS 项目（examples/target-repo-pristine），3 个 utility 函数：
- formatDate(date) —— 不支持 timezone（待加）
- parseRange(1-5) —— 应该返回 [1,2,3,4,5]，但有 off-by-one 返回 [1,2,3,4]
- formatNumber(-1234) —— 应该返回 -1,234，但代码 bug 返回 --1,234
3 个 user story 对应三种典型工作量：
3 组模型对照：
- ChatGPT 5.4（思考模型）—— 通过本地反代走真实账号
- Ling-2.6-flash（非思考小）—— 蚂蚁百灵 OpenAI 兼容 API
- Ling-2.5-1T（非思考大）—— 同上
Worker 和 Judge 通过 ~/.pi/agent/models.json 配置不同 provider，全部走 OpenAI 兼容协议，model 字段一改就能切。
四、跑出来的数据
原始表格统计数据：
由上面的数据可得的结论
1.明确 bug 修复，Ling-flash 比 ChatGPT 快 31%
us-002 同一个任务，Ling-flash 90s，ChatGPT 131s。Ling-flash 调了 52 次 tool（比 ChatGPT 的 14 次多得多），但每次都极快——这也是 Ling-flash 主打的：小步快跑。
这种高频小任务场景就是 Ling-flash 的舒适区：编辑器补全、快速改写、报错修复。
2.加功能任务，Ling-1T 用 ChatGPT 的 11% token、63% 时间
us-001 同一个任务，Ling-1T 1 轮 130s 13K token 就过了。ChatGPT 用了 2 轮 205s 120K token——10 倍的 token 量级差距。
为什么？因为 ChatGPT 5.4 思考更多内容，每次响应都隐式 reasoning，输入 prompt 又被来回带进 context。Ling-1T 思考强度更克制一点，token 都花在理解和输出上。
3.加输入校验，Ling-1T 又是 33% 更快
us-003 同一个任务（给 parseRange 加边界校验 + 友好错误信息 + 测试），Ling-1T 1 轮 58s 7 tools 5K token，ChatGPT 1 轮 86s 8 tools 13K token。两个都过，但 Ling-1T 用一半多一点的时间和 40% 的 token。
3 个对照里 Ling 全部胜出——胜幅 30-36%。实测来的，不打诳语，同一个 harness、同一个 user story、同一个 Judge 跑出来的数据。仓库里 runs/*.json 全部公开。
五、总结
我一开始全部用 Ling-2.6-flash 当 worker，结果 us-001 死循环了——worker 改完代码后陷入echo done循环停不下来：
worker → bash: echo All criteria met.
worker → bash: echo All criteria met.
worker → bash: echo All criteria met.
... (一直到 80 tool 上限触发)
woker 的日志记录
后来我想到，这样做：
Ling-2.6-1T 负责理解、规划、拆解，Flash 负责快速执行、快速补全和快速修补。
flash 根本就不该承担 us-001 这种加功能 + 写测试的设计任务非思考小模型一点规划也不能做。只能是 Ling-2.6-1T 来做。
把 us-001 的 worker 换成 Ling-1T 之后，1 轮就过了。
实测结果：非思考小模型用对了地方，比思考模型又快又便宜；用错了地方，就乱来了。
六、harness 在干什么—— harness 工程的简单且有效的实践
我这次开发 Coding Agent 一共翻车五次，全是非思考小模型的典型 pitfall。虽然看似简单的一个小小编程 coding，但只有真跑过你才知道有需要怎么样的 harness 去做兜底，然后让小模型能够顺利完成任务。
Claude 写的护栏代码加起来不到 50 行。
循环检测（worker.ts，~10 行）：
const recent: string[] = [];
if (sig) {
recent.push(sig);
if (recent.length > 6) recent.shift();
if (recent.filter(s => s === sig).length >= 4) {
child.kill(SIGKILL); // 同一 sig 6 次窗口内出现 4 次 = 循环
}
}Auto-rescue commit（dispatcher.ts，~10 行）：
async function autoRescueCommit(repo: string, round: number) {
const status = await git([status, --porcelain], repo);
if (!status.trim()) return false;
await git([add, -A], repo);
await git([commit, -m, `chore(rescue): ${round}`], repo);
console.log( ↳ auto-rescue: committed pending changes left by worker);
return true;
}第二个特别值得说——Ling-1T 在 us-003 上把代码全改对了，但忘 commit。如果没有 dispatcher 这一层兜底，Judge 看 git log 会说没 commit 直接 FAIL，整个 round 白跑。dispatcher 自动 commit 之后 Judge 立刻 PASS。
七、写在最后
这篇文章一直都落在想法库，未写出来，趁着 Ling 模型发布，就顺便来验证我自己的瞎想了。
-
Ling-2.6-flash 在它擅长的高频小任务上确实更快（us-002 比 ChatGPT 快 31%）。如果你在搭 IM 助手、编辑器补全、批量改写、code review 标注这类高频低延迟工作流，flash 是好选择。
-
Ling-2.5-1T 做规划和理解类任务能省到夸张的 token（us-001 比 ChatGPT 省 89%）。1M 上下文的优势在 multi-agent 场景里特别突出——可以把整个仓库 + 所有 git history 一次喂进去。最关键的是还很便宜。
-
小模型跑 agent 必须配 harness。这不是 Ling 的问题，是非思考模型本身的特性。所以我用 ~400 行就把 harness 写出来了，放进去跑就很安逸了。
-
Ling 1T 作为大脑 + flash 手分工是真理。
如果让我给一个最简单的建议：在你已经有真实 harness 的场景下，换成 Ling-2.6 系列，按上面说的分工用——你的 token 会下降一个数量级，速度反而上去。
如果你想自己跑这套 demo，仓库在评论区，自取。
跑起来你就会看到 Worker 实时滚动每个工具调用——这一段我特别推荐你亲自跑一次，比读这篇文章值钱。
最后来个小彩蛋～～
👉 想获取更多 AI 实操干货、工具资源和最新玩法
欢迎加入AI Spark「限时免费」社群 ！
一起学习交流 + 资源共享，添加小助理v：rivanow
名额有限，先到先到~
来源
暂无来源