从第一性原理思考 Agentic Engineering
一句话概括
从三条基本公理（SDLC 信息损耗、LLM 本质特征、人类认知稀缺）出发，用第一性原理推导出 Agentic Engineering 的系统性方法论——强调工程师保留决策权、上下文质量决定 AI 输出上限、验证能力而非生成能力才是核心瓶颈。
实践内容
开源框架
本文方法论已落地为开源项目：agentic-engineering-framework — 基于 Skill 的模块化 Agentic Engineering 框架，包含完整的 SDLC Workflow、Best Practices、Self-Refinement 机制及项目定制指南。
三层价值模型
| 层次 | 名称 | 含义 | 典型场景 |
|---|---|---|---|
| L1 | 加速（Accelerate） | 同样的事做得更快 | 写脚本、生成样板代码、格式转换、简单 CRUD |
| L2 | 增强（Augment） | 同样的事做得更好 | 提升代码质量、更全面的测试覆盖、更严谨的设计评审 |
| L3 | 解锁（Unlock） | 做以前做不到的事 | 系统性知识沉淀与复用、跨模块的架构级分析、新工程师快速达到团队水准 |
意图转化链
人类意图 → 自然语言需求 → 结构化设计 → 形式化代码 → 可执行程序
SDLC 固有挑战与 AI 双面效应
| 维度 | 固有挑战 | AI 的改善 | AI 引入的新问题 |
|---|---|---|---|
| 信息损耗 | 意图逐步失真 | 缩短反馈周期 | 概率性输出引入”似是而非”损耗 |
| 知识孤岛 | 隐性知识难以传承 | 通用知识即时可用 | 团队私有知识仍无法被 AI 利用 |
| 认知成本 | 理解复杂系统消耗大量认知 | 辅助代码解读 | 审查信息量暴增，释放与负担并存 |
| 重复性劳动 | 机械性工作占用大量时间 | 大幅自动化 | 生成成本骤降但验证成本未降 |
摘录
公理 2：LLM 的本质特征。 LLM 是一个基于上下文进行概率性推理的系统，具有三个并列的本质特征：（1）输出由上下文决定，（2）输出是概率性的，（3）工作记忆是有限且易失的。AI Agent 的核心引擎是 LLM——工具调用、工作流编排等都是围绕 LLM 构建的工程层。Agent 的能力上限和本质局限，最终都由 LLM 决定。因此，这条公理聚焦于 LLM 本身的特征。LLM 通过海量训练数据获得了广泛的通用知识，能够理解和遵循复杂指令，并进行跨领域的推理和知识迁移——这构成了它作为协作者的能力基础。
修正后的立场：上下文的价值取决于信噪比和知识结构化程度，而非代码的绝对量。 最优策略不是”把代码喂给 AI”，而是提供高度相关、结构化的上下文——包括但不限于代码：设计文档、架构约束、编码规范、模块接口契约等。这是 Context Engineering 的核心命题。
生成能力的爆炸式增长与验证能力的相对停滞之间的张力，是 AI 时代软件工程的核心矛盾。 AI 的输出是概率性的——同样的输入可能产生不同的输出，生成的代码可能表面正确但语义偏差。这引入了一种新类型的损耗：不是人类的误解，而是 AI 的”似是而非”。验证代码正确性的成本并未同步降低——你仍然需要理解代码在做什么、判断它是否符合设计意图、审查边界条件。
涉及实体
- Agentic-Engineering-Framework —— 本文方法论的开源落地实现，基于 Skill 的模块化框架
- LLM —— 作为 Agentic Engineering 核心引擎的大型语言模型，其三个本质特征（上下文决定性、概率性、工作记忆有限性与易失性）构成公理 2
涉及主题
- Agentic-Engineering —— 本文的核心主题，从第一性原理推导的工程师与 AI Agent 深度协作范式
- Context-Engineering —— 上下文的质量和结构化程度决定 AI 输出上限，是 Agentic Engineering 的关键命题
- Vibe-Coding —— 本文对照的反面范式，“用速度换取理解和控制”的原型验证模式