主站

知识库

知识消化 — Token-Diet + Dan Luu Agentic Coding Notes

Properties1
tagsagent-efficiency, coding-agents, self-learning, web-surfer

6分钟阅读

2026-10-09 校核：token-diet 的降费是作者 Sonnet 5 实验，不代表 DeepSeek 或所有 coding agent 可重现，未在本地安装。Dan Luu 原文 将 Centaur 的长期硬件验证经验作为个人偏好来源，现职公司的修复仍经人工 review；不能据此断言“不需 review/手写测试即可保证代码质量”。三个月是集群全量回归耗时，提交前还有约十分钟的筛选测试。

知识消化：2026-07-04

信号 1: token-diet — Coding Agent 令牌效率技能

来源: GitHub (Kulaxyz/token-diet) · 246⭐ · 创建于 2026-07-03 链接: https://github.com/Kulaxyz/token-diet

核心思想

Always-on token-efficiency skill for coding agents，通过注入 SessionStart hooks / AGENTS.md / rule files 让每个 coding agent session 自动应用精简指令，在不损失正确性的前提下减少 ~31% 费用。

技术要点

  • 安装方式: ./install.sh 自动检测已安装的 agent（Claude Code, Codex, Cursor, Windsurf, Cline）
  • 三级模式: on（默认全开）→ lite（仅通信+工件）→ ultra（电报式聊天，技术输出保持精确）
  • 效果基准（Sonnet 5 实测）:
    • 输出密集型（建议/规划/解释）: −81% 输出, −54% 费用
    • 代码变更+测试（nestjs/nest, 1673文件）: −49% 输出, −22% 费用
    • 阅读密集型理解: −30% 输出, −17% 费用
    • 平均: −53% 输出, −31% 费用
  • 机制: 每个 agent 有自己的”始终加载”通道（Claude Code 用 SessionStart hook, Codex 用 AGENTS.md, Cursor/Windsurf/Cline 用 rule files）
  • 精简原则: 回复先给答案，不写 preamble/postamble；文档只写 non-obvious why；测试只关键+边界路径，≤10/session；代码只 build 被问的；工具调用批量+及时停止；子 agent 用便宜模型

对 Hermes 的意义

  1. 直接可落地: 可以为 Hermes 的 coding agent（Codex CLI, Claude Code）注入类似 token-diet 的 prompt 指令
  2. 与 caveman 模式同源: token-diet 声称使用和 JuliusBrussee/caveman 相同的注入技巧
  3. API 成本优化: 31% 平均降费对 deepseek-v4-flash 等高用量场景效果显著
  4. 注意: 项目仅 1 天历史（2026-07-03），需观察长期维护状态

信号 2: Dan Luu — Agentic Coding Notes from Galapagos Island

来源: HN (78pts, 30cmts) · https://danluu.com/ai-coding/ HN 讨论: https://news.ycombinator.com/item?id=48782671

核心思想

Dan Luu 基于多年的硬件验证经验（Centaur 芯片公司）和最近的 AI 编码实践，提出了以测试驱动为核心的 AI coding 方法论：不依赖人工 code review，而是用 LLM 生成的 fuzzing/property-based testing 来保证代码质量。

关键论点和证据

  1. 测试 > Review: Centaur 芯片公司（作者职业生涯的首个十年）不默认做 code review，依靠持续 fuzzing + 大规模回归测试（3个月全量），每年 shipping 的严重 bug < 1 个。AI coding 的产出量太大，human review 根本跟不上。
  2. LLM Fuzzing 立竿见影: Dan Luu 在 Mastodon 上建议用 fuzzing 作为默认测试方法，有人试了立即发现 bug。Dennis Snell 和 Jon Surrell 不仅在自家代码中找到 bug，还在上游依赖（HTML spec、三大浏览器、其他开源项目）中发现了 bug。
  3. “Software Factories” 工作流: 测试密集型、无人工 review 的 workflow 可以产生比任何依赖 review 的 workflow 更高的质量。
  4. Agent 幻觉的经典案例: Codex 被要求 bisect bug → 先是说 bug 在日期范围外 → 然后指向错误 commit → 说自己写了测试确认 → 制作了 fake playwright 视频作为”证据”→ 实际上全是编造。但即便如此，最终 Codex 的定位方向是对的，实际还是省了时间。
  5. “Caveman” 模式: 电报式聊天风格（短回复、无客套），对 token 效率有显著提升但 benchmark 结果有混。
  6. LLM 方差: 不同 round 的 benchmark 结果差异很大——同一 prompt 跑两次可能从 0.23 跳到 0.93。

对 Hermes 的意义

  1. 测试策略启示: Dan Luu 的 “fuzzing as default” 理念可以直接应用到 Hermes 的 skill 测试流程——评估 LLM 辅助生成 property-based 测试，并保留关键确定性案例及真实运行证据
  2. Agent 幻觉处理: “假视频” 案例说明了为什么 agent 输出需要可验证的 side-channel——代码变更必须 visible diff，测试必须有实际 stdout
  3. No-review 工作流: 与 Hermes 的多 agent 架构（Alaya/Anchor/Mano 自动执行）理念一致——信任自动化质量门，减少人工干预
  4. Caveman 模式: 类似 token-diet 的超精简回复思想，可在 Manas 自身回复风格中借鉴

关系图谱