AI 编程时代，.NET 的机会在哪里？ - 张善友
内容提要
Uncle Bob指出AI Agent擅长战术但缺乏战略，需用确定性工具链约束而非冗长提示。.NET生态中，Microsoft Agent Framework负责编排，OpenClaw.NET提供治理层，通过契约、证据包和上下文压缩确保质量。人类定战略，Agent执行战术，.NET强类型特性成为AI时代管理复杂性的理想技术栈。
延伸解读
从“冗长提示”到“确定性工具链”的转向
Uncle Bob 的实践表明，依赖冗长 prompt 约束 Agent 并不可靠，因为模型会忽略上下文中间的内容（lost in the middle）。他转而采用确定性工具链，通过多 Agent 流水线和静态检查来保证质量。这一转向对 .NET 开发者尤为重要：与其试图用自然语言“说服”Agent，不如利用强类型和编译期检查，将规则固化在代码和工具中，而非提示词里。
治理层：Agent 框架之外的空白
Microsoft Agent Framework（MAF）解决了多 Agent 编排问题，但并未覆盖执行治理——工具调用是否符合规则、如何审批和审计。OpenClaw.NET 正是填补这一空白的“治理层运行时”，通过 Harness Contracts 在计划执行前进行静态检查，用 Evidence Bundles 记录每次调用的证据，确保 Agent 行为可追踪、可审计。这体现了 .NET 生态对可观测性和确定性的重视。
战略与战术的分层：人类与 Agent 的协作模式
Bob 强调人类负责战略、Agent 负责战术，OpenClaw.NET 的 /goal 和 /loop 命令正是这一理念的实践：人类设定目标，Agent 循环执行。这种分层避免了 Agent 在复杂任务中迷失方向，也符合 .NET 开发者对职责分离的熟悉模式。通过显式化限界上下文（如 harness map），Agent 不会越界修改不属于自己的代码，从而降低协作风险。
Q&A
Uncle Bob 认为 AI Agent 在编程中的主要优缺点是什么？
Uncle Bob 认为 AI Agent 擅长战术执行，但在战略层面表现糟糕。它们能快速完成具体任务，但缺乏全局规划能力，容易陷入混乱代码的泥潭。
为什么冗长的 prompt 无法有效约束 AI Agent 的行为？
因为模型存在 'lost in the middle' 现象，即上下文窗口中段的内容容易被忽略，导致 Agent 将规则视为可遵守可不遵守的指南。
Uncle Bob 提出的 '确定性工具链' 具体指什么？
确定性工具链是指用代码和工具来强制约束 Agent 的行为，而不是依赖自然语言提示。例如，通过多 Agent 流水线、深模块接口和 CRAP 阈值等机制，确保 Agent 遵循规则。
Microsoft Agent Framework (MAF) 在 .NET AI 生态中扮演什么角色？它有什么局限？
MAF 是 Semantic Kernel 和 AutoGen 的后继者，负责多 Agent 的编排。但它不负责执行治理，即不检查 Agent 调用的工具是否符合规则、如何审批和审计。
OpenClaw.NET 如何实现 '治理层'？它的核心机制有哪些？
OpenClaw.NET 通过 Harness Contracts（执行前契约）、Evidence Bundles（证据包）和 TokenJuice（上下文压缩）等机制实现治理。它静态检查 Agent 的工作计划，记录工具调用证据，并用确定性规则压缩上下文，确保质量。
在 AI 编程时代，.NET 的优势体现在哪些方面？
.NET 的优势在于强类型、成熟的确定性工具链、Microsoft Agent Framework 的编排能力以及 OpenClaw.NET 的治理基础设施，使其成为 '人类做战略、Agent 做战术' 模式的最佳技术栈之一。
根据文章，程序员应如何应对 AI 时代？
程序员应重视基本功，因为 AI 无法替代对复杂性的管理能力。那些认为基本功不再重要的人会以痛苦的方式学到教训。
