2023年3月底，GPT-4 发布才两周，一个叫 Toran Bruce Richards 的独立开发者搞出了 AutoGPT：给 AI 设一个目标，它自己规划、自己搜索、自己写代码，全程不用你插手。首次提交后13天，3万个 GitHub Star；到当年4月中旬，星标已经超过9万，盖过 PyTorch，成为 GitHub 历史上增长最快的开源项目。知乎小红书
三年后的今天，这个最早让全网相信"AI 会自己干活"的项目，自己被"自主 AI"淹了。
150个PR，一大半是AI写的
最近社区里流传着 AutoGPT 团队分享的一个帖子，讲了他们正在面对的麻烦：在这个18万星的开源仓库里，堆着150多个 PR（代码合并请求），一大半是 AI 写的。小红书AI 智能体自动 fork、自动改代码、自动提 PR，速度快、数量大，质量参差不齐。对维护者来说，不是没代码可审，是审不过来。帖子里说，团队前后迭代了三个版本，才摸索出一套管用的办法。我把这三招拆给你看——它不止对开源维护者有用，任何让 AI 帮你写代码、写文案、做方案的人，都能直接抄作业。
第一招：把规则放到AI"眼前"
这是 AutoGPT 团队最反直觉的一条教训：AI 不会主动读你的文档。小红书你写一份漂亮的需求说明、编码规范，丢在共享文件夹里、写在 Wiki 里，AI 不会自己翻出来看。他们的做法是放一个 AGENTS.md 文件，就放在代码旁边，AI 智能体开工时第一眼读到的就是它：这个项目是干嘛的、代码规范是什么、哪些东西绝对不能碰，全写在里面。
这一条对普通人同样扎心。多少人对着 AI 喊"给我按某某风格写文案"，结果被气得半死？问题往往不是模型笨，是你的规则散落在历史对话里、你的脑子里、AI 从没打开过的文档里。规则只有写在 AI 必经的位置上，才叫规则。现在主流的 AI 编程工具都支持类似的规则文件（Claude Code 的 CLAUDE.md、Cursor 的 rules 文件），逻辑一模一样。
第二招：门控——想让AI干活，先让它交证据
AI 写的 PR 第二大问题：它说"我改好了"，你不敢信。
AutoGPT 的解法是技能门控：在某些技能领域，AI 必须先补上测试，测试跑过了，PR 才可能被接受。小红书也就是说，光交"答案"不行，还得交"答案是对的"的证据。对用 AI 干活的人来说，这个启发很大：别问 AI"做完没有"，要它"证明做完了"。让 AI 在交付结果的同时附上验证方式——代码给测试用例，数据给对比链接，文案给自检清单。你在验收上省下的时间，会远远超过写提示词花的时间。
这个方向，行业现在有个专门的名字：Loop Engineering。今年6月，Anthropic 和 OpenAI 的工程师几乎同时放话：别再给 Agent 写提示词了，去设计循环——提前定好目标、验收标准、可用工具和停止条件，让脚本自己反复跑，不合格就把报错喂回去重做。有意思的是，AutoGPT 2023年就试过循环，只是当年没验证、没边界，撒开了跑，最后失败了。36氪兜了一圈，行业把"循环"捡了回来，这次给它装上了刹车。
第三招：用CLA协议，让AI"自报家门"
第三招最魔幻：用法律流程当"人类检测器"。给开源项目贡献代码，一般要签 CLA（贡献者许可协议），明确代码版权。AutoGPT 团队发现，这一步正好成了过滤器——AI 智能体能自动提代码，但很少能自动完成签协议这种法律流程。小红书签没签 CLA、签名主体是不是真人，就能筛掉一大批全自动的 PR。这就像大公司前台：你再能干，不登记也不放行。在关键流程里加一道"人类确认"，不是怀疑 AI 的能力，而是把最终决定权留在人手里。
这课为什么该听AutoGPT的
回头看 AutoGPT 这三年，这堂课有点宿命闭环的意思。早期的 AutoGPT"全自主"有三个致命伤。一是无限循环：任务跑完它总觉得"还能再优化"，在同一个地方反复横跳；二是成本失控：有人让它跑着去吃早饭，回来一看50美元的 API 费用没了，任务还在"思考中"；三是幻觉泛滥：AI 把编造的内容当成果汇报，自己决策、自己执行、自己验证，等于自己给自己打分。知乎
2024年7月，团队做了个看起来像"自己打脸"的决定：彻底重写，从 CLI Agent 转成拖拽模块组装工作流的可视化平台。知乎自主性调低了，可控性调高了——你可以在市场里挑现成的 Agent 直接用，也能自己拖模块搭建，还能部署在自己的服务器上免费跑，或者申请云端托管。知乎
同期的同类项目，BabyAGI 归档，SuperAGI 停滞，活得好的一直是坚持"人必须在环里"的 CrewAI。知乎行业已经用脚投完票：AI 的能力不稀缺，对 AI 的控制力才稀缺。
如今这个仓库头上还顶着18万颗星，8月份还有人在问"AutoGPT、MetaGPT 这些工具该怎么选"。知乎但问题的含义变了，大家不再指望它"全自动干活"，而是琢磨怎么让 AI 按自己的规矩干活。AI 写的 PR 涌进来这件事，不过是每个用 AI 工具的人迟早遇到的问题的预演。
三件现在就能做的事
如果你已经在用 AI 写代码、写文案、做方案、处理数据，AutoGPT 这三招可以直接搬：
把你的要求、风格、红线写成一份规则文件，放在 AI 工具默认会读的位置（项目根目录、固定提示词开头），别指望"我上次说过"；
给任务时连带给出验收标准：测试用例、参考样例、自检清单，做完要能自证；
关键操作保留人工卡点：涉及发布、花钱、对外发送的动作，留一道最终确认；长任务再设个预算上限——AutoGPT 现在的平台监控面板，把每个 Agent 的累计花费直接挂在页面上，那就是前辈们用真金白银买来的教训。
值得继续留意的信号：AutoGPT 平台已经带 Agent 市场，里面有大量现成的智能体。接下来会不会有"低质高产"的 AI 生成 Agent 复刻这场 PR 洪水，市场会不会成为下一个被淹的地方，可能是 AI 智能体生态接下来的看点。
