Google 开源了遵循 Apache 2.0 协议的 Elephant-Goldfish Model (EGM) 插件，不含模型权重，专门给 AI 编程工具加一道写代码前的规范审查关卡。它支持 Antigravity、Claude Code 2.1.271+、Codex 和 ChatGPT 等主流宿主，号称 Google 内部已有数千名工程师在用。但把独立测试账单和 GitHub Issue #237 放在一起看，这套看似严密的流程暴露了两个硬伤：单次运行耗时翻了 3 倍、成本翻了 5 倍，买到的质量提升却几乎可以忽略不计；更讽刺的是，包括 Google 自家 Antigravity 在内的主流宿主，连最核心的零上下文隔离都没做干净。
EGM 的核心做法源自 Dave Rensin 的文章，把 AI 拆成两种角色来防止长对话崩溃和垃圾代码（slop）。持有长上下文的大象（Elephant）只负责起草 Markdown 设计文档，绝不写代码；没有历史记忆的金鱼（Goldfish）作为无状态子智能体，从 YAGNI、Token 成本、技术债等 6 个视角去挑刺，分 5 个阶段（宏观扫视、复述理解测试、挑刺审查、架构复检、实现就绪检查）攻击这份文档，每阶段最多允许 1 次重审。原文称其有 9 个审查者角色，但核查官方 GitHub 主页 README 只能确认列出了 Brainstorm、Draft、Resolve、Bootstrap、Review、Review loop 和 Drift report 这 7 项技能，并未直接证实 9 个角色的具体数字。官方测试里，Codex 0.163.0 跑完 15 个原生审查者和 2 项实时测试耗时 573.13 秒，Antigravity CLI 1.4.5 跑了 16 个审查者，而 Claude Cowork 直接在第 5 到 7 阶段因为触发配额上限卡死了。
翻了 5 倍的账单，到底买到了谁的功劳
我不太买账的是把功劳全算在多智能体群审头上。针对 Shopizer 折扣码功能的一项独立小样本基准测试（16 个隐藏测试用例，每组跑 2 到 3 次），直接把 EGM 的性价比底牌掀开了。
纯 Codex 裸跑平均只能通过 4/16，单次 Codex 成本 0.08 到 0.13 美元。一旦加上普通计划和 Claude 审批者，通过率直接跳到 11.7/16，单次成本也才 0.15 到 0.23 美元。而换上整套 EGM 5 阶段金鱼审查加 Claude 审批者，通过率是 12.3/16，单次 Codex 成本却飙升到 0.54 到 1.45 美元（还不算 Claude 审批本身的开销）。
从 4 到 11.7 的质变，靠的是写代码前有严格的审批者把关；从 11.7 到 12.3 的微小波动，却要付出 3 倍时间和 5 倍金钱。更尴尬的是，测试里真正抓出需求细节遗漏的依然是后面的审批者，而不是前面浩浩荡荡的金鱼群。
真正拦截垃圾代码的是写前审批，不是耗资五倍的金鱼陪审团。
Google 官方文档其实留了退路，明确建议微小且明确的任务跳过完整 EGM 流程。问题不在于写文档，而在于为了对抗上下文腐烂，叠床架屋造出一套极度消耗 Token 的官僚仪式。
失忆的金鱼，为什么出生就带着项目偏见
如果说贵只是钱的问题，GitHub 上的 Issue #237 则直接戳穿了金鱼审查的底层根基。
EGM 的核心卖点是物理隔离：金鱼子智能体必须完全失忆，不带任何父会话的上下文和先验假设，只看设计文档本身。官方测试记录里，Antigravity 和 Codex 都顺畅跑通了十几个原生无上下文审查者。但这种测试探针只检查了父会话的聊天记录有没有传过去，却漏掉了宿主环境的暗箱操作。
在 Codex CLI 0.166.0 上，被派生出来的无状态审查者依然会自动收到项目级和用户级的 AGENTS.md。更让人意外的是，连 Google 自家主推的 Antigravity CLI 1.4.0 也一样翻车，审查者无需调用任何读取工具，出生时脑子里就已经被塞进了项目级的 AGENTS.md 和 GEMINI.md 标记。对照测试里，唯独 Claude Code 真正把 CLAUDE.md 拦在了审查者门外。
古人讲，兼听则明，偏信则暗。你请一群外人来挑毛病，结果看门人在他们进屋前，先往每人手里塞了一本内部口径手册。金鱼从出生起就被注入了它本该去质疑的项目成见，所谓的零上下文对抗审查，在 Codex 和 Antigravity 上直接退化成了带着统一思想钢印的内部走过场。目前 Issue #237 依然开着，EGM 文档也只能承认尚未在这两个平台上验证排除宿主注入指令的控制能力。
规范先行工具潮下的真实分野
把视野拉宽一点，整个 AI 编程赛道都在试图用规范驱动开发（Spec-Driven Development）来驯服狂奔的 Agent。但各家的切刀位置完全不同：
| 工具名称 | 核心审查机制 | 宿主绑定与隔离现状 | 成本与适用边界 |
|---|---|---|---|
| Google EGM | 写码前 5 阶段子 Agent 群审 | 跨平台，但 Codex/Antigravity 漏指令 | 极高（翻 5 倍），仅限复杂架构重构 |
| GitHub Spec Kit | 宪法/规范/计划，人工阶段把关 | 绑定 Copilot 等，Python 3.11+ | 免费工具包，消耗宿主基础配额 |
| Kiro Specs | 需求与设计拆解，人工确认 | 仅限 Kiro 商业 IDE/CLI 环境 | 商业订阅制，适合端到端托管 |
| Superpowers | 实现阶段按任务派生子 Agent 审代码 | 支持 16 种宿主环境 | 免费插件，重在 TDD 与写码后隔离 |
这波工具潮很像软件工程早年从作坊走向重型瀑布流的过程。每当底层工具不可靠，人们的第一反应总是立规矩、加流程、设专岗。但 AI 编程眼下的瓶颈，根本不是审查阶段不够多。
- 结论.普通研发团队日常开发直接用轻量级的生成 Plan 加高水平模型（或人工）审批，就能用五分之一的成本拿到九成以上的质量收益，完全没必要每次都发动一场烧光配额的金鱼群审。
- 风险.在 Codex 和 Antigravity 彻底修补子智能体沙盒、提供纯净的无指令注入开关之前，盲目相信多智能体零偏见审查，只会让你花着 5 倍的 Token 账单，买回一份自我强化偏见的合格证。
接下来真正该盯紧的不是谁又多加了几个审查角色，而是 Issue #237 能不能逼着各大 CLI 宿主把底层的纯净沙盒开关交出来，以及社区何时能拿出跨 Claude Code、Codex 和 Antigravity 的标准化性价比跑分。在那之前，别让捉虫的金鱼，先喝饱了池子里的旧水。