這篇文章把與 AI agent 共事拆成二十個 mental model。比較務實的部分都圍繞一件事，模型會補齊你沒說出口的空白。你沒把假設講清楚，它會用自己的假設往下做，而且多半不會提醒你。
作者的解法是把力氣放在一開始。初始 prompt 和上下文要重，之後先讓模型追問技術實作、UI/UX、疑慮和取捨，等規格裡的暗示被攤開再開始做。第一版如果偏得太遠，與其在同一段對話裡一路補救，他建議回頭改起始上下文，或 fork 到變壞之前重跑。LLM 很吃路徑依賴，早期錯誤會被後面的修正一起帶進上下文。
工具也是同一個邏輯。agent 可以處理設定、測試和瀏覽器操作，前提是它拿得到你平常用的 CLI、MCP、瀏覽器控制或 computer use。文章舉了 Wrangler、Supabase MCP/CLI、Codex 和 Claude Code 的例子。更好的做法是讓它自己驗證輸出，例如跑測試和開瀏覽器檢查畫面，或在有 Figma 規格時直接比對實作。人不用太早跳進 debug 和修像素。
視覺工作則少寫長 prompt，多給參考圖。作者把參考庫看成可以被機器讀取的 taste map，因為「更現代一點」這種話太鬆，圖像和範例比較能約束輸出。這也連到另一個提醒，沒有明確設計判斷時，模型很容易回到大家很快就會認出的預設樣式。
文章後半談到 review、判斷和安全。把一個模型的輸出交給另一個模型做 adversarial review，可以先抓漏洞、邊界案例和盲點，但也可能把小題目推向過度工程，prototype 和 production 的標準要先說清楚。領域知識也不能省，越不懂一個題目，越容易被漂亮輸出騙過。
安全段落很具體。作者引用 Simon Willison 的 lethal trifecta，agent 同時碰到私人資料和不可信內容，還能對外傳送訊息時，攻擊者就有機會誘導它外洩資料。這是具體風險，尤其當你把 email、dev portal 或本機工具交給 agent 時，攻擊面會跟著長出來。
文章反覆回到幾個具體動作，先對齊假設，必要時重跑，給 agent 工具，讓它驗證，再由人做最後判斷。