一位工程师每月向生产环境提交2000个PR，验证是关键。
内容提要
SpaceX AI工程师Lauren Tan分享了个人智能体工作流pstack，每月可向生产环境提交2000个PR，核心在于验证技能：智能体自主检查输出并迭代。但分布式系统缺乏可驱动运行时，共享暂存无法隔离并发变更。Signadot提出共享稳定栈加按需隔离环境方案，让每个智能体获得真实依赖视图，成本仅一两个服务，从而将智能体并行转化为实际交付代码。
延伸解读
验证技能：智能体自主闭环的关键
文章强调，验证技能让智能体能够检查自己的输出并持续迭代，直到任务完成。没有验证，人类审查会成为瓶颈，无法支撑每月2000个PR的吞吐量。验证技能生成CLI和功能映射，使智能体可以启动应用、检查状态并读取结构化结果。这要求底层有丰富的运行时，智能体能够驱动和获取结构化答案。
分布式系统的验证困境：保真度与成本的矛盾
对于由数十上百个服务组成的分布式系统，默认不存在可驱动的运行时。本地mock成本低但保真度差，容易与真实服务漂移；全栈副本保真且隔离，但成本随服务数和并发变更数线性增长，难以支撑数百个智能体；共享暂存环境保真且成本低，但无法隔离并发变更，智能体之间会相互干扰。
共享稳定栈加按需隔离：兼顾保真与成本
Signadot提出的方案将环境视为运行中系统的视图，而非副本。一个共享的稳定栈持续运行，智能体只运行修改的服务，并将其接入共享栈形成隔离环境。请求携带环境标识跨服务边界，防止流量串扰。有状态副作用按需复制。这样每个环境仅需一两个服务，启动快，可随智能体循环创建和销毁。
平台团队角色的转变：从环境提供者到基础设施维护者
在新模式下，平台团队不再手动提供环境，而是运行一个共享稳定栈和虚拟化层，包括上下文传播、有状态依赖隔离以及环境创建销毁工具。环境成为智能体按需创建、使用和丢弃的资源。这使智能体并行工作能真正转化为交付代码，而非更长的审查队列。
Q&A
Lauren Tan 的 pstack 工作流每月能提交多少 PR？
每月可向生产环境提交 2000 个 PR。
为什么验证技能在智能体工作流中如此关键？
验证技能让智能体能够检查自己的输出并持续迭代直到任务完成，避免人类成为循环中最慢的环节，从而将团队产出提升 100 到 1000 倍。
分布式系统为智能体提供运行时环境面临哪些挑战？
分布式系统缺乏可驱动的运行时，共享暂存无法隔离并发变更，而每个变更复制完整堆栈成本过高且启动慢，无法满足数百个智能体并行验证的需求。
Signadot 提出的共享稳定栈加按需隔离环境方案是如何工作的？
该方案运行一套共享的稳定服务，智能体只运行修改的服务并作为隔离环境加入共享栈，请求携带环境标识跨服务传递，有状态依赖按需复制，从而以低成本提供真实依赖视图。
这种环境架构的成本模型是怎样的？
每个环境仅需运行一两个服务，而不是六十个，启动时间与单个服务相当，并且可以在智能体循环中创建和销毁。
平台团队在这种新模型下的工作重点发生了什么变化？
平台团队不再手动提供环境，而是运行一个共享稳定栈和虚拟化层，环境成为智能体按需创建、使用和丢弃的资源。
