如何指挥 30 个 AI Agent：通过 Gastown 将编码效率提升 10 倍

向简单的聊天机器人询问代码并等待回答的时代已经结束了。虽然 Claude Code 或 GitHub Copilot 是优秀的助手，但在修改涉及数百个文件的企业级系统时，它们显得太慢且过于线性。随着对话 Session 变长，将一切交给一个会丢失上下文并陷入迷茫的 AI，已经成为了生产力的瓶颈。

现在是代理编排 (Agent Orchestration) 的时代。由 Steve Yegge 提出的开源项目 Gastown 旨在构建一个编码工厂系统，通过同时运行 30 个以上的 AI Agent 来分解功能并并行构建。你现在不再是一名 Codder，而必须成为指挥 AI 军团的编排者 (Orchestrator)。

Gastown 架构：通过不可靠的工人交付完美的结果

Gastown 不仅仅是一个 AI 封装器。它采用了分布式计算原理，通过系统结构解决了单个 Agent 的不稳定性。核心在于明确分离角色并将任务拆分为原子单位。

• 市长 (Mayor)： 整个系统的中央协调者。负责分析开发者的目标，并将其分解为名为 Bead 的微小工作单元。
• 珠子 (Bead)： 由 Git 备份的持久性 Issue 数据。这是即使 Agent Session 崩溃也能保存工作历史的核心机制。
• 艾鼬 (Polecat)： 在独立的 Git Worktree 中实际修改代码的一次性工人。工作完成后立即销毁，以防止代码冲突。

该结构的核心是摆脱 Vibe Coding (凭感觉编码)。Gastown 通过 PreToolUse 钩子系统，从物理上阻断了 Agent 直接向主分支提交代码。所有代码都在独立的 Feature 分支中编写，且必须通过精炼机 (Refinery) 的严格测试验证后才能集成。

不同项目规模的 Agent 部署策略

在所有任务中投入数十人是对 API 费用的浪费。必须根据任务的复杂程度合理分配火力。

项目规模	Agent 配置	核心应用策略
小规模 (Bug 修复)	1 市长 + 1~2 艾鼬	专注于指令下达和结果审查，而非直接编码
中规模 (新 API)	1 市长 + 5~10 艾鼬	前后端任务并行推进
大规模 (架构变更)	1 市长 + 20~30 艾鼬	部署见证者 (Witness) Agent 实时解决瓶颈

在大规模迁移任务中，运行 30 个 Agent 可以将手动操作需要 6 小时的工作缩短至 20 分钟左右。但这必须以模型分配优化为前提。请将 Claude 3.5 Sonnet 等高性能模型分配给负责设计的“市长”，而将 Gemini 等高性价比模型分配给执行简单实现或测试的“艾鼬”，从而实现成本效率最大化。

实战应用：JWT 认证系统构建指南

假设我们要为基于 Go 的应用程序添加 JWT 认证。通过一行命令调动军团的过程如下：

1. 连接市长： 使用 gt mayor attach 命令开始 Session。
2. 设定目标： "在 Go 项目中构建 JWT 系统。包括 DB Schema 变更、登录 API、中间件和集成测试。"
3. 编排： "不要亲自编写，将任务分解并委派给艾鼬。通过精炼机进行 Review。"
4. 监控： 通过 gt convoy list 实时检查各个 Agent 的进度。
5. 审查： 通过 gt status 确认精炼机合并的最终结果后予以批准。

如果运行不顺畅，应先检查环境。特别是必须确认 Dolt 版本在 1.82.4 以上。旧版本会引起 Git 数据库同步错误，导致 Agent 之间的工作冲突。此外，如果守护进程运行有问题，请通过 tmux -V 确认版本在 3.0 以上，然后运行 gt doctor --fix 初始化环境。

高级工程师的新角色：系统架构师

同时运行 30 个 AI Agent 意味着你不再需要亲自打字。现在，工程师的真正实力体现在你能否在 CLAUDE.md 等指导文档中精确地记录架构决策。

Agent 是出色的助手，但如果管理不当，它们就像会瘫痪系统的超智能黑猩猩。请务必在独立的实验台 (Rig) 中运行并设置 API 费用限制。为了减少逐一审查数十个 PR 的疲劳感，可以额外部署一个担任 PR 治安官角色的 Agent，初步过滤语法错误和未通过测试的情况。你的软件工厂现在已经准备好开工了。