unlazy — Anti-laziness skill for AI agents（unlazy：给 AI 智能体用的「反偷懒」技能）

📅 2026-09-06 | 🏷️ 值得研究的仓库 | ⭐ 3080（30天慢热窗口）· JavaScript
🔗 原文：https://github.com/Leonxlnx/unlazy

是什么

一个开源的 AI 智能体「技能」（skill）项目，解决的是所有用过 agent 的人都遇到过的痛点：模型偷懒——任务做到一半就宣布完成、跳过困难步骤、给出浅尝辄止的答案。它的核心是 Depth Tree（深度树）方法：把一个任务拆解成 N 层深的任务树，并让每一个叶子节点都获得与原任务相同的时间预算，使「投入的努力」随任务深度成倍增长。项目明确以 2025-2026 年关于模型惰性（laziness）、思考不足（underthinking）与提前完成（premature completion）的研究为依据。

🔍 小白解读

先说几个词

• AI 智能体（agent）：能自己拆解任务、调用工具、多步执行的大模型程序，像一个会自己干活而不只是聊天的数字助理。
• 技能（skill）：给智能体预装的一套工作方法/流程说明，相当于给新员工的 SOP 手册，不改模型本身。
• Depth Tree（深度树）：把大任务像目录树一样一层层拆小，直到每个小任务都能独立完成。
• 模型惰性（laziness）：模型倾向于选择省事的做法——代码写一半留个「此处省略」，或者直接说「这么复杂你自己补一下」。
• 提前完成（premature completion）：任务还没做完就宣称做完了，好比论文只写了个开头就交卷。

这篇到底在说什么

打个比方：你让装修队「把整个房子装修好」，他们可能刷个墙就说完工了。unlazy 的办法是逼着队长先画出完整的施工图——拆成水电、瓦工、木工等一层层子任务，并且规定：每个最小工序都按「整栋房子」的标准给工时和预算，而不是按「这道工序」打折。这样一来，越细的活儿反而分到的资源越多，偷懒在结构上变得不可能。仓库描述特别强调这不是拍脑袋的技巧，而是建立在 2025-2026 年关于模型为什么会偷懒的研究之上。一个月左右积累 3080 颗 star，说明「治偷懒」确实是刚需。

这跟普通人有什么关系

如果你用 AI 助手写代码、写报告，经常遇到「只做一半」「敷衍了事」，这类工具就是直接冲着这个体验问题来的。对小公司来说，把治偷懒流程标准化，意味着同样一个 agent 能交付更完整的结果，减少人工返工。

为什么值得架构师关注

• 产出质量的一致性问题有工程化解法：与其反复改提示词，不如在任务编排层强制「分解 + 预算分配」，Depth Tree 提供了可复用的结构化模板。
• 成本权衡明确：每个叶子节点获得全量时间预算意味着 token 消耗会随深度倍增，适合用在「质量 > 成本」的长任务场景，需要配套预算熔断。
• 与现有 agent 框架解耦：以 skill 形态分发（JavaScript 生态），可以叠加在主流编码 agent 之上做对照实验，迁移成本低。
• 有研究依据：项目声称锚定 2025-2026 年模型惰性/思考不足研究，比纯经验型 prompt 集合更可论证。

核心内容

• 核心机制 Depth Tree：任务拆解为 N 层深度的树，每个叶子节点获得与整个任务相同的完整时间预算，effort 随深度倍增（据仓库描述）。
• 目标问题三件套：模型惰性（laziness）、思考不足（underthinking）、提前完成（premature completion）。
• 产品形态：面向 AI agent 的「反偷懒」skill，JavaScript 实现。
• 热度信号：⭐3080，创建于 2026-08-09，属 30 天慢热窗口中增速最高的仓库之一。
• 理论依据：仓库声称 grounded in 2025-2026 research。

行动建议

• 评估试用：挑一个你们 agent 经常「烂尾」的长任务类型（如大型重构、批量迁移），接入 unlazy 做前后对照：任务完整率、返工率、token 成本三个指标。
• 注意成本：Depth Tree 的预算倍增特性适合高价值任务，先小范围试点再考虑推广，避免全量流水线成本失控。
• 了解即可：不跑 agent 流水线的团队可只关注「任务分解 + 预算分配」这一方法论。