LLM Wiki

Agentic Engineering 主题

13分钟阅读

Agentic Engineering 主题

主题定义

Agentic Engineering 涵盖从”Vibe Coding”（借助 AI 快速生成代码片段）到”Agentic Engineering”（由 AI Agent 端到端驱动开发流程）的范式转移。这一主题关注工程师角色的根本重构——从”直接编写全部代码”转变为”设计让 Agent 可靠运行的工程框架”，包括上下文质量、控制流拓扑、验证机制和记忆系统四个核心维度。

核心要点

  1. 从 Vibe Coding 到 Agentic Engineering 的三阶段演进：Vibe Coding（2024）是”借助 AI 大模型快速生成代码片段”，工程师仍主导编码过程，AI 只是辅助工具；Agentic Workflow（2025）是”用工程化约束弥补模型不确定性”，通过 Workflow 编排、状态机和预定义流程将 Agent 行为纳入可控框架；Agentic Engineering（2026）是”由 AI Agent 端到端驱动开发流程”，工程师的核心价值从写代码转变为设计让 Agent 可靠运行的工程框架。这三个阶段不是替代关系，而是层层递进的超集

  2. 三条公理推导出系统性方法论：davidYichengWei 从第一性原理出发提出三条公理——SDLC 信息损耗（从人类意图到可执行程序的每一步转化都存在信息损耗）、LLM 本质特征（输出由上下文决定、概率性输出、有限工作记忆）、人类认知稀缺（工程师的注意力和判断力应集中在高价值决策上）。基于这三条公理推导出：上下文的质量和结构化程度直接决定 AI 输出上限，验证能力而非生成能力才是核心瓶颈

  3. 三层价值模型定义工程师新角色：L1 加速（Accelerate）——同样的事做得更快，如写脚本、生成样板代码；L2 增强（Augment）——同样的事做得更好，如提升代码质量、更全面的测试覆盖；L3 解锁（Unlock）——做以前做不到的事，如系统性知识沉淀与复用、跨模块架构分析。工程师应将精力集中在 L3 层的高价值决策上

  4. 六个维度的工程演进：Prompt 从单体到解耦（System Prompt 只保留最底层通用指令，动态内容通过 CLAUDE.md 渐进式加载）、Planning 从思维链到长程任务拆解（生成结构化 Todo List 并动态调整）、Memory 从向量检索到文件系统化（混合架构）、Tools 从 Function Call 到 CLI/Script（充分利用模型预训练的 CLI 知识）、Workflow 从刚性编排到动态混合（成熟子任务封装为 Skills）、Environment 从无状态到运行时（Agent 需要专属 Workspace）

  5. Agent Room 协作涌现超越单 Agent 能力上限：阿里团队构建的 Agent Room 将产品、架构、开发、QA、运维等多个角色 Agent 放入同一上下文场，通过共享上下文、任务账本、DAG 系统和 Memory 系统实现协作涌现——整体判断质量高于任何单个 Agent 的局部判断。这代表了从”上下文编排 vs 任务编排”的范式选择

  6. 生成能力与验证能力的张力是核心矛盾：2025 至 2026 年间，AI 生成代码的速度远快于人类审查的速度，验证代码正确性的成本并未同步降低。这一矛盾是 Agentic Engineering 诞生的根本驱动力——Harness Engineering 提供了验证闭环（lint / 自动测试 / 数据比对 / 四道门禁），Spec-Driven Development 提供了需求阶段的结构化规格约束

  7. Agent 架构的本质是控制流设计而非 prompt engineering：从单次生成到反思闭环，再到工具交互、观察-行动循环、显式规划、验证驱动重规划、多 Agent 编排、长期记忆系统，直至搜索与涌现计算——每一次架构升级都在回答同一组问题：什么时候该停？什么时候该继续？什么时候该重试？什么时候该换角色？

  8. 个人协作能力仍然决定 Agent 上限：AI Agent 可以加速执行，但问题定义、上下文质量、验证能力、工作流沉淀和判断标准仍由人提供。把 AI 当外包会放大幻觉；把 AI 当需要材料、边界、标准和复核的协作者，才接近 Agentic Engineering 的正确使用方式。

  9. 从提需求到定义闭环：Loop-Engineering 把”提需求、AI 干活、人再纠偏”升级为”开发、验证、反馈、调优、沉淀”的自动化闭环。它要求人提前写清需求和验收标准，而不是中途靠频繁反馈纠偏。

  10. 从写代码到写能力单元：面向 Skills 编程把人的经验、领域知识和交付流程产品化为 Skill。工程师的工作重心从实现适配逻辑转向定义不变量、拆分上下文、写约束和验证生成结果。

  11. Agentic Engineering 正在补齐运行时和组织层：Cua 补桌面/沙箱，RMUX 补终端/TUI 会话，Multica 补任务分配与团队管理，去哪儿AI-Coding体系 则展示组织级数据采集、自动化分级和 Skills 治理。

  12. 源码阅读与人工审查仍是验证闭环的一部分：AI 可以承担骨架搭建、模板迁移和候选代码生成，但核心模块仍需要人从整体设计、数据结构选择、边界条件、测试与压测上做批判式审查。生成速度提高后，能不能发现“看起来对、实则语义错”的实现，反而更能区分真正的 Agentic Engineering 和纯粹的 Vibe Coding。

  13. Agentic Engineering 的运行面继续外扩：oh-my-pi 把 IDE、调试器、浏览器、PR/issue 和子代理都纳入终端 agent surface；oh-my-claudecode 把 Claude Code 会话升级成 Team pipeline 与 skill 工作流；OmniRoute 则把 provider、quota、fallback、compression 和 MCP/A2A 放到统一 gateway 中治理。

  14. 多 Agent 协作开始从“交接文档”走向“共享工作空间”：Multica 把 coding agents 管成 issue/squad/runtime，Tutti 则把 Claude Code、Codex、应用产物、文件、任务和运行状态放进本地优先的实时共享桌面。二者都在说明：Agentic Engineering 的下一个瓶颈不是单 Agent 会不会执行，而是状态、产物、权限、任务和上下文如何被多个 Agent 安全共享。

涉及实体

  • Agentic-Engineering —— 核心概念实体，定义了”人与 AI Agent 协作”的范式框架
  • Harness-Engineering —— Agentic Engineering 在工程落地层面的核心方法论
  • Spec-Driven-Development —— SDD 是 Agentic Engineering 在需求阶段的具体实践
  • Claude-Code —— Agentic Engineering 理念的标杆工程实现
  • OpenClaw —— Agentic Engineering 理念的开源实践载体
  • Hermes-Agent —— 代表了 Agentic Engineering 的自进化方向
  • Loop-Engineering —— 外部自动化闭环，减少人在执行过程中的反复纠偏
  • OpenClaw-Skills —— 领域经验与工作流的能力封装单元
  • Cua —— Agent 的桌面、沙箱和 computer-use benchmark 基础设施
  • RMUX —— Agent 的终端/TUI 会话持久化和 Claude teammate mode 运行层
  • Multica —— 把 coding agents 管理为可分配任务、跟踪进度的团队成员
  • Tutti —— 本地优先的 Agent-Agent 实时共享工作空间，强调上下文、文件、应用、任务和运行状态流转
  • 去哪儿AI-Coding体系 —— 组织级 AI Coding 的数据、分级、Harness 和 Skills 治理样本
  • oh-my-pi —— 完整终端 AI Coding Agent surface，补 LSP/DAP、Hashline、subagent 与协作层
  • oh-my-claudecode —— Claude Code 多代理/技能编排层，补 Team、tmux workers、HUD 与通知
  • OmniRoute —— coding tools 前置 gateway，治理 provider、quota、fallback 与 token compression

对比矩阵

维度Vibe CodingAgentic WorkflowAgentic Engineering
时间202420252026
AI 角色辅助工具执行引擎自主 Agent
工程师角色主导编码设计流程设计框架
控制方式人工审查Workflow 编排Harness + 验证闭环
适用场景代码片段生成流程自动化端到端开发

关键来源

关系图谱

反向链接