如何精准预估 AI 编程 Agent 的任务耗时？Agent-estimate 实战指南

当你在终端里同时运行 3-4 个 AI 编码 Agent，每个都在不同的分支上并行推进功能开发，你面临的最大难题是什么？不是代码质量，不是合并冲突——而是时间估算。

你问 AI Agent “这个功能大概多久能完成？” 它会用人类的节奏来回答你：”大概一个下午。” 而实际上，以 Agent 的编码速度，可能 20 分钟就搞定了。反过来，你以为一个小改动只需要几分钟，Agent 却花了整整两小时重构了整个模块。

这种时间感知的错位，正是 Agent-estimate 要解决的核心问题。

Agent-estimate 是什么？

Agent-estimate 是首个专为 AI 编程 Agent 设计的工作量估算工具。它由开发者 haoranchg 在 2026 年 2 月创建（Apache-2.0 开源协议），核心理念很简单：用 Agent 的速度来估算 Agent 的工时，而不是用人类的速度。

这个工具的诞生背景非常务实：作者每天都并行运行 3-4 个编码 Agent，每天早上都需要跟协调 Agent 一起制定当天的任务队列，然后逐个估算每项任务耗时。他发现传统估算方法完全不适合 Agent——于是自己造了一个轮子。

核心方法论：PERT + METR + Wave Planning

Agent-estimate 融合了三种成熟的工程估算方法：

PERT（计划评审技术）：对每个任务计算三个估值——最乐观时间（O）、最可能时间（M）、最悲观时间（P），然后加权平均得出期望耗时。公式简单但有效：(O + 4M + P) / 6。

METR（可衡量且可追踪的估算）：强调估算的可衡量性和可追踪性，将大任务拆解为可独立估算的子任务，每个子任务的估算结果都有明确的评估标准。

Wave Planning（波浪式规划）：不试图一次性规划所有任务，而是按”波次”逐步推进——本周细化下周的任务，下周细化下下周的任务。这种方法天然适合多 Agent 并行的工作场景。

快速上手

安装

pip install agent-estimate

git clone https://github.com/kiloloop/agent-estimate.git
cd agent-estimate
pip install -e .

基本用法

Agent-estimate 提供 CLI 接口，可以直接在终端中使用：

agent-estimate estimate "将用户认证模块从 JWT 迁移到 OAuth 2.0"

agent-estimate estimate --from-file tasks.yaml

agent-estimate start

输出示例：

Task: 将用户认证从 JWT 迁移到 OAuth 2.0
├── Optimistic: 15 min
├── Most likely: 35 min
├── Pessimistic: 1h 20min
├── Expected (PERT): 39 min
└── Confidence: MEDIUM

CI/CD 集成

Agent-estimate 支持 GitHub Actions，可以在 CI 流水线中自动估算 Pull Request 的工作量：

name: Agent Estimate
on: [pull_request]

jobs:
  estimate:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      - name: Estimate PR effort
        uses: kiloloop/agent-estimate@main
        with:
          diff-threshold: '50'

使用场景

场景一：每日任务队列规划

这是 Agent-estimate 最核心的使用方式。每天早上，让协调 Agent 列出当天的所有待办事项，然后逐个估算耗时：

agent-estimate batch \
  "重构搜索接口，支持多字段排序" \
  "添加缓存层到用户查询路径" \
  "修复日志系统的时间戳格式问题" \
  "编写 API 文档的 OpenAPI 规范"

输出结果会按预期耗时排序，让你可以合理分配不同 Agent 的工作量。

场景二：Sprint 规划校准

在敏捷开发中，Sprint 规划依赖准确的时间估算。Agent-estimate 可以结合历史数据，校准估算偏差：

agent-estimate history --last-sprint

Sprint 12 估算准确度: 78.5%
Top underestimated: "添加数据库索引" (实际 45min, 估算 15min)
Top overestimated: "实现登录页面" (实际 12min, 估算 1h)

场景三：多 Agent 并行调度

当你同时运行多个 Agent 处理不同任务时，Agent-estimate 可以帮助你做资源分配决策：

agent-estimate milestone MILESTONE.md --agents 3

├── Agent 1: 功能 A + 功能 B（估算: 45min）
├── Agent 2: 功能 C（估算: 30min）
└── Agent 3: 功能 D + 测试覆盖（估算: 40min）
预计总时长: 45min（并行）

实用技巧

1. 先拆解再估算：一个大任务（如”实现支付功能”）的估算结果往往不准确。先拆解为子任务（”对接 Stripe API”、”实现退款逻辑”、”添加结算页面”），再逐个估算，精度明显提升。

1. 结合 Agent 的类型调整参数：不同 Agent 在不同类型任务上的速度差异很大。Claude Code 在重构和测试方面更快，而 Cursor 在 UI 开发上更得心应手。Agent-estimate 支持设置 Agent 类型参数来校准估算。

1. 用历史数据不断校准：每次实际完成时间与估算的偏差，都是一个学习机会。定期运行 agent-estimate history 查看偏差模式，能帮你逐步提升估算精度。

1. 不要过度依赖单次估算：估算只是参考，不是承诺。Agent-estimate 提供的是概率分布而非确定值——35-45 分钟代表一个置信区间，而不是精确到分钟的承诺。

结语

Agent-estimate 解决的不是技术难题，而是认知错位问题。当 AI Agent 以非人类的速度编码时，用传统的人力工时估算方法已经失效。Agent-estimate 提供的是一种全新的、以 Agent 为中心的估算范式——让开发者能更合理地规划时间、分配资源、管理预期。

对于每天运行多个编码 Agent 的开发者来说，这是一个小而美的工具，值得放入日常工具箱。