你的编码 agent 不知道自己弄坏了什么

先说结论： 编码 agent 是个局部优化器。它做出你要求的那处改动，对曾经好用的那上百件事没有任何常驻记忆。这不是 prompt 的问题，也不是模型大小的问题——它是结构性的。唯一可靠的修法，是把你应用的不变量放到 agent 之外，用一套不依赖它就能跑的检查来守。

让 Claude Code 或 Cursor「给结账加个折扣框」，它会照做：读相关文件、改、框就出现了。它不会做的——从构造上就做不到的——是问一句「我是不是刚把三个会话前写的那个访客结账跳转弄坏了？」那个行为不在它的上下文里、不在它的目标里、也不在它看得见的任何地方。agent 不是马虎，它只是瞄准了一个靶子，而昨天那个好用的功能不是那个靶子。

agent 为什么会在结构上制造回归

三件事让 agent 对自己造成的回归视而不见，而且没有一件会随着模型变聪明而好转：

1. 局部优化。 目标是「满足这句 prompt」，不是「在不扰动此前每一个不变量的前提下满足这句 prompt」。这是两个不同的函数，而第二个既不是你要求的、也不是它被评分的。
2. 对不变量没有长期记忆。 这次会话之前什么是好的，都活在上下文窗口之外。它可以重读代码，但代码告诉它的是应用现在做什么——包括它刚引入的 bug——而不是应用本应做什么。
3. 自己给自己判卷。 让同一个 agent 去测这个功能，它写出来的测试，是对着它刚写的代码通过的。测试把当前行为连 bug 一起编码了进去。改动作者给出的那个绿勾，不算证据。

合起来看：做出改动的那个东西，恰恰是你整条链路里最没资格证明「别的没坏」的那个。

更大的模型补不上缺失的契约

一个诱人的反驳是「等模型更强就好了」。不会好，因为缺口不在能力，而在信息。哪怕是完美的推理者，也保护不了一个从没被告知、也看不见的不变量。你可以把更多代码库塞进上下文，但代码库是对现状的描述，不是对什么必须保持为真的规格。那条需求——访客开始结账后购物车还在——在你把它写到机器能检查的地方之前，只存在于你脑子里。

这才是真正的修法，而且很朴素：把不变量外置。 把那些必须存活下来的行为，写成活在你仓库里、不依赖 agent 就能跑的检查——这样「还能用」就由一个既没有看到绿的动机、也不会忘掉上周的东西来裁定。

「外部」到底得是什么意思

不是随便什么检查都算外部。有两条性质要紧：

• 它不跑模型。 如果你的回归闸在运行时调 LLM，那你又把想逃开的那套非确定性、那股「让它过」的压力请了回来。闸应该是朴素、确定性的代码——绿，每次都代表同一件事，而且跑起来不花钱。
• 它归你，而且比会话活得久。 契约不能是一段明天就没了的聊天记录。它得是一份耐久的产物——对我们来说，就是你 git 仓库里一个纯粹的 @playwright/test——下一个 agent、再下一个 agent，都得过它。

这正是先定义行为、再让 AI 把代码拟合上去背后的整个想法：spec 是定点，代码是变量。agent 想重写多少遍实现都行、想多快都行——这本来就是 vibe coding 的魅力所在——恰恰是因为有个它管不着的东西，替你守着「什么必须保持为真」这条线。

说点不那么好听的

Vibe coding 没有消灭对测试的需求。它让测试更吃重了，因为它拿掉了那个原本记得「这段代码是为了什么」的人。当一个人写下结账流程时，是这个人把它的不变量记在脑子里，改动一旦威胁到它就会本能地一激灵。把写代码交给 agent，那份记忆也就随之而去——除非你把它写了下来。

所以，对任何要发布 AI 所写代码的人来说，问题不是「我的 agent 够不够好、会不会弄坏东西」。而是：除了 agent 本身，还有什么，被允许告诉你它坏了？ 如果答案是「没有」，那你不是在快，你只是在慢慢地才发现。

常见问题

这不就是「写测试」吗？ 是——但带上多数 AI 测试方案会丢掉的两条约束：测试必须不跑模型（确定、免费、没法被糊弄），而且必须归你（一份耐久的文件，不是云端一段录制）。

我 prompt 它别弄坏东西不行吗？ 可以，它照样会弄坏，因为它需要保护的那个不变量不在它的上下文里。prompt 改善的是意图，不是信息。

那测试到底谁来写，如果不是 agent？ agent 完全可以从一次真实运行里把它写出来——关键是它随后在 CI 里跑时回路里没有任何模型，而且需求是在代码之前声明的，不是从代码里反推出来的。

Hover 在这里是什么位置？ Hover 就是为这件事打造的回归测试套件：声明行为，让 agent 把它结晶成一个你拥有的纯粹 spec，在 CI 里零 AI 运行，并把每次失败分诊为漂移还是 bug。它就是那份外部契约，落到了实处。