# David Ondrej 發布 Agentic Engineering Setup Q3 2026：以可觀測、隔離與審查管理多個 Agent

> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)

> 原作者：David Ondrej (@DavidOndrej1) · 策展與摘要：EasyVibeCoding · 平台：X (Twitter) · 熱度：🔥🔥 · 日期：2026-09-01

> 原始來源：https://x.com/davidondrej1/status/2094424967345496191

## 證據與延伸閱讀

- [David Ondrej 發布 Agentic Engineering Setup Q3 2026：以可觀測、隔離與審查管理多個 Agent。](https://github.com/davidondrej/skills) — 官方 Repository · 最後核對：2026-09-01 · 支持主張：The article combines state tracking, multi-model interfaces, a VPS-based persistent-agent pattern, pre-sent workflows, worktree isolation, read-only production database access, and the agentic-productivity repository for tracking commits, sessions, and prompts.
- [Agentic Engineering setup Q3 2026 — github.com](https://github.com/vectal-labs/agentic-productivity) — 官方 Repository · 最後核對：2026-09-01 · 支持主張：The article combines state tracking, multi-model interfaces, a VPS-based persistent-agent pattern, pre-sent workflows, worktree isolation, read-only production database access, and the agentic-productivity repository for tracking commits, sessions, and prompts.
- [Agentic Engineering setup Q3 2026 — youtube.com（貼文明示來源）](https://youtube.com/@DavidOndrej) — 一手來源 · 支持主張：The article combines state tracking, multi-model interfaces, a VPS-based persistent-agent pattern, pre-sent workflows, worktree isolation, read-only production database access, and the agentic-productivity repository for tracking commits, sessions, and prompts.
- [Agentic Engineering setup Q3 2026 — pi.dev（貼文明示來源）](https://pi.dev/) — 一手來源 · 支持主張：The article combines state tracking, multi-model interfaces, a VPS-based persistent-agent pattern, pre-sent workflows, worktree isolation, read-only production database access, and the agentic-productivity repository for tracking commits, sessions, and prompts.
- [David Ondrej 投入超過 2,000 小時與 AI 寫程式](https://x.com/davidondrej1/status/2094424967345496191)
- [主要介面包含 bb、cmux、Ghostty、Corral](https://x.com/i/article/2094424686499160065)

## 中文摘要

David Ondrej 發布 Agentic Engineering Setup Q3 2026：以可觀測、隔離與審查管理多個 Agent。

**背景與定位**　David Ondrej 表示，過去 3 years 他投入超過 2,000+ hours 與 AI 一起寫程式，也訪談過這個領域一些高生產力工作者；本文是他截至 Q3 2026 的個人配置，不是受控實驗或通用排名。他強調訂閱方案、產品與 setup 可能在 2 months 後就完全不同，生產力、速度與成本比較也多半是個人經驗，應由使用者在本機自行驗證。

**多模型介面**　他的主要介面是開源、免費的 `bb`，把 Codex、Claude Code、Pi、Cursor CLI、OpenCode、Grok Build、Hermes 等不同 Agent 與 model 放進單一 GUI，讓使用者可以混用訂閱、Agent 與 model，而不必被單一應用程式綁定。這背後的目標很直接：用最低的美元成本取得最多 token。`cmux` 則提供類似 tmux 的分割視窗、不同終端機與內建瀏覽器，但當 Agent 與 workspace 數量增加後，左側欄不再是適合大規模管理的基本單位。David Ondrej 使用速度快、原生整合的 Ghostty 作為終端機，並在其中執行 Herdr。

**狀態與優先順序**　Herdr 是位於終端機中的 Agent backend runtime，完成工作後會在左側顯示 Agent 狀態，包括 done、idle、blocked 與 running。David Ondrej 認為，當使用者不再只和單一 Agent 對話，而是交由 manager agent 管理大量 worker agents 時，追蹤狀態會變得 essential，並預測未來 3 to 6 months 重要性會持續上升。他自行開發的 Corral 則為每個 Agent 設定優先順序：P1 Agent 完成後應排到最上方，不應在 P1 已完成時優先回應 P4 Agent；不過 Corral 尚未開源。

**訂閱與模型取捨**　David Ondrej 列出當時的 4 main subscriptions，但明確承認方案可能快速變動。他認為 OpenCode Go 目前是性價比最佳的選擇，月費 $10，包含 Kimi K3、Grok 4.6、GLM 5.3、DeepSeek V4 Pro 等多個 model，但使用額度偏小，也不包含 Fable 5 與 GPT-5.6 Sol 等最佳 model。其建議配置依預算分層：

- $30：OpenCode Go 加 ChatGPT Plus（$20）。
- $50：再加入 $20 的 Claude Code 訂閱。
- $70：再加入 Cursor 每月 $20 的最低層級訂閱。
- $110：OpenCode 加其中一個大型方案；他認為 ChatGPT $100 方案比 Claude 的 $100 方案划算，理由是 OpenAI 擁有更多 compute 並願意補貼。
- $210：同時購買兩個 $100 方案。
- 更重度的使用者可購買 Codex、Claude、Cursor 的所有 $200 方案，因為這些方案提供 20x usage。

他特別看好 Cursor／Grok 訂閱，認為 SpaceX acquisition 可能帶來更多 compute 與補貼空間，也指出 Cursor 與 Grok Bot 似乎有分開的使用額度；這些都是他的判斷，不是受控比較。他的明確建議是不要支付 API pricing，而應優先考慮訂閱方案。

**Cloud Agents 與自建 VPS**　他把 Cloud Agents 視為未來方向，引用 Cursor 的內部資料指出，Cloud Agents 產生的 merged PR 佔比從今年初約 10-15% 逐步接近 60%；他預測接下來可能是 70%、80%，再到 90%，但這是個人推測。理由是本機無法穩定同時執行數百個 Agent，即使是 $7,000 的 MacBook Pro，在幾個 Agent 同時執行完整測試套件時也可能吃不消。Cloud Agents 可提供隔離環境、持久化 session，以及持續的網路與電力；反之，關閉筆電、斷網幾分鐘，都可能使 session 遺失或 Harness 無法自行復原。

他同時批評現有 Cloud Agent 服務有「INSANE」程度的生態系鎖定：環境與 secrets 設定耗時，之後 session、計價方式與資料都被綁在供應商平台。替代方案是租用自己的 VPS，在上面執行 Herdr，再用 SSH 連線；他使用 Hostinger 的 KVM2，認為約 10 minutes 就能完成基本設置，以幾美元取得部分 Cloud Agents 的 80/20 效益。但 VPS 權限與安全設定在文章中沒有完整記錄，不能直接視為安全做法。

**雲端配置與輸入速度**　示範流程中，他在 `cmux` 建立 workspace，左側執行使用 Grok 4.6 的 Cursor CLI，右側保留空白終端機；他的 cmux skill 能找出另一個終端機並在其中執行命令。他先自行 SSH 進入新 VPS，再以自然語言要求 Agent 了解伺服器並設置 Herdr、Node.js、Python 3 與 Git，之後安裝 Pi Agent，並讓 Agent 找到 MacBook 上的 OpenRouter key，最後在 VPS 上啟動使用 GPT-5.6 Sol 的 Pi session 與另一個使用 Fable 的 session。這涉及本機 credential、VPS root 權限與遠端執行，屬於高風險來源指令與設定，必須由人工核對金鑰來源、權限範圍、SSH 防護及資料外傳風險，不應照做後即視為安全。輸入方面，他使用 Superwhisper，聲稱語音輸入可達 250+ WPM，讓傳送 prompt 的速度提升為 3-4x；他也提到 Glaido 與 Whispr FLow。

**Harness 分工**　他把 Harness 按任務需求區分，而不是只固定使用一套：

- Pi Agent 是他最推薦的 Harness，只有 4 tools、總是在 YOLO mode 執行，支援任意 model 與 provider，且開源、免費、可高度設定；但 YOLO mode 本身代表權限風險，仍需人工設計沙盒與限制。
- Cursor CLI 可使用 Grok、GPT models、Anthropic models 與 Kimi，也支援標記 skill 及 pre-send messages。
- Hermes Agent 與 Prime Agent 屬於他所稱的「self-improving」Harness，適合高度不確定、需要持續摸索的任務，因為它們會建立 skill 並隨使用過程改善。
- Claude Code 與 Codex 是經典選項。他以 alias 縮短常用啟動方式：`cc` 啟動帶有權限繞過設定的 Claude Code，`cx` 啟動 YOLO mode 的 Codex；原文提到的完整 Claude Code 指令是 `claude --dangerously-skip-permissions`。這些權限繞過與 YOLO 設定屬高風險，必須人工核對，不宜當作無條件最佳實務。

**Skills 與人工判斷**　David Ondrej 的 skills 程式庫已在前一個月引發大量關注，內容可見於 [David Ondrej 的 skills 程式庫](https://github.com/davidondrej/skills)。他最重視的 skill 包括：

- `/total-review` 會同時呼叫 `/gpt-review` 與 `/fable-review`，分別用 GPT-5.6 Sol、Fable 5 審查程式變更，再去除重複項，只留下真正重要的問題；適合中大型變更，尤其是由另一個 model 完成的程式碼。
- `/ask-then-build` 在開始實作前逐步詢問架構決策，避免 model 靜默做出日後難以接受的選擇。David Ondrej 認為 AI 擅長實作，但沒有足夠的品味與判斷力，因此人類仍須掌握方向。
- `/deepapi` 用於深度研究、網路抓取與社群資料整理，例如執行 8 次快速網路搜尋、提供前 3 個選項，或抓取 X、GitHub 與聯絡方式。
- Global agent guardrails 會在 tool call 前攔截可能清空磁碟、覆寫 Git history 或碰觸密碼管理器的行為；push lock 則在 15+ Agent 平行工作時，鎖住 merge、驗證、push、CI、deploy 與 health check 流程。

他還主張，重複一次的單一步驟可用 Raycast snippets，反覆出現的多步流程才應封裝成 skill；不要把所有 skill 都安裝，只取真正需要的部分。

**隔離、審查與文件**　worktree 是將主要 checkout 複製到獨立資料夾並建立 Git branch，讓多個 Agent 平行工作而不互相覆寫。小型專案使用 worktree 是 overkill，單一 branch 反而更快；但中大型專案若長期同時執行 20-30+ Agent，沒有 worktree 就容易互相衝突、撤銷彼此變更。`bb` 內建 worktree，並能記住大型 repo 要以 `origin/main` 為基礎建立新 worktree。

模型選擇上，他建議新專案與規劃使用 Fable，深層嚴重錯誤使用 GPT-5.6 Sol 的 max reasoning effort，日常對話使用高設定的 Grok 4.6，前端工作使用 Kimi K3；新 model 發布時，應留一天親自專用測試，而不是只看 X 上的評論。他也反對對每次變更都執行 `/total-review`：小型前端調整可直接進 production，且不要做 recursive reviews，因為要求 model 固定找出 5 個問題，可能會誘發它捏造不存在的錯誤。pre-sending 是另一項核心習慣，使用者可預先排入「implement the plan」、「run Fable review on this」與「now fix those things」等訊息；他認為不支援 pre-send 的 Harness 不值得使用。

**生產資料與生產力追蹤**　他主張有真實使用量的產品應建立 read-only Postgres role，讓 Agent 可以查詢 production DB 來核對功能是否真的發生、使用者是否真的採用，但絕不能給 write access，因為一次不可逆的變更就可能造成嚴重後果。這同樣需要人工檢查資料遮罩、權限與查詢範圍，不能把「只讀」等同於零風險。

Vectal Labs 另推出開源程式庫 [agentic-productivity](https://github.com/vectal-labs/agentic-productivity)，追蹤 Git commit、Agent session 與使用者 prompt。David Ondrej 認為單一指標都不可靠，但把三者放在長期趨勢中，才較能判斷自己究竟變得更有效率，還是只是花時間打造沒有帶來結果的內部工具。該 repo 的 README 表示，它是 macOS 工具，需要 Apple Silicon Mac、Python 3.11+ 與 Git，且不需第三方相依套件；每天 08:00 會在 Discord 產生 90-day 圖表，顯示 Git commit、Agent session 與 prompt，後兩者依 Harness 拆分。只有每日計數會離開 Mac、送往 quickchart.io 產生圖表，prompt、路徑與身分資訊不會送出。

若要依來源操作，原文提供的步驟與指令如下；`install.sh` 會設定應用程式、Discord webhook 與 macOS LaunchAgent 權限提示，涉及背景服務與資料傳送，執行前應先人工檢查內容與權限：

1. 複製 `agentic-productivity` repo。
2. 執行安裝程式：
```bash
./install.sh
```
3. 使用下列指令檢查健康狀態、預覽報告，或移除全部內容：
```bash
./bin/agentic-productivity doctor # check health
./bin/agentic-productivity mock # preview the report without sending
./scripts/uninstall.sh # remove everything
```

整體而言，這份 Q3 2026 setup 的核心不是宣稱某個 model 或工具永遠最好，而是把 Agent 工作拆成可觀測、可排程、可隔離、可審查的系統；但其中的訂閱比較、雲端成本、VPS 安全與生產力成效仍是 David Ondrej 的個人快照，且他自己也預期一個月後配置就可能改變。

## 標籤

開源專案, David Ondrej, CLI, Cursor CLI, cmux, Ghostty, Herdr, Corral, OpenCode Go, ChatGPT, Claude Code