来源信息

核心观点

Agentic Engineering vs Vibe Coding

  • Vibe Coding：将需求直接交给 AI，不审查 diff、不理解代码，以速度换取理解和控制，仅适合原型验证

  • Agentic Engineering：工程师与 AI Agent 深度协作，AI 是代码执行者也是思考伙伴，但最终判断和决策权始终在工程师手中

  • Engineering 的本质：约束优化——在资源、时间、质量约束下找到最优可行解

软件工程四大结构性困境

困境 表现 AI 改善 AI 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 AI 无法利用
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
重复性劳动 机械性工作占用时间 大幅自动化 生成成本骤降但验证成本未降

三条公理

  1. 软件工程中的信息损耗：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），每一步都可能引入信息损耗

  2. LLM 的本质特征：上下文决定性、概率性、工作记忆有限且易失

  3. 人类认知是稀缺资源：注意力、判断力有限，是系统瓶颈

六条最佳实践

  1. Context Engineering：构建高信噪比的上下文供给系统（Spec-First、Docs as Code、渐进式披露）

  2. 基于知识不对称的人机分工：用乔哈里窗模型划分开放区/盲区/潜能区/未知区，对应不同协作策略

  3. AI 全链条参与：从需求澄清到编码测试，AI 角色从引导者 -> 协作者 -> 执行者递进

  4. 小任务推进、多层次验证：拆解大任务，每步 AI 执行、人类校验；验证层次与意图转化链对齐

  5. Knowledge as Code：团队共有知识像代码一样管理（Skill 和 Rules 版本化、可 Review）

  6. Error-Driven Context Refinement：从错误中提取经验，更新 Rules/Skills，形成反馈闭环

基于 Skill 的 Agentic Engineering 框架

  • 六个模块：Workflow、Best Practices、Standards、Docs、Troubleshooting、Self-Refinement

  • 三层渐进式披露：L1 元数据（启动时）-> L2 指令（触发时）-> L3 参考资源（按需）

  • Agent-Agnostic：纯 Markdown 文件，不依赖特定平台

  • 先评估任务复杂度，再决定流程深度

变与不变

  • 变的：模型能力边界（上下文窗口、幻觉率、工具调用）——是阶段性瓶颈，终将被突破

  • 不变的：软件工程本质（交付软件解决实际问题）、人类判断力和认知稀缺性

  • 工程师发展方向：成为最会编排 AI 的人，或往软件工程上游发展（识别有价值的问题）

关键数据

  • GitHub 研究：开发者编码速度提升 55%

  • Anthropic 内部调研：员工自报生产力提升 50%，约 27% 的 AI 辅助工作是"原本不会做的任务"

个人思考

  • 本文方法论与 OpenClaw 的 Skill 机制高度契合——Skill 本质上就是 Context Engineering 的载体

  • "生成能力爆炸与验证能力停滞"是 AI 时代软件工程的核心矛盾，这一点值得持续关注

  • Error-Driven Context Refinement 的思路类似于 self-improvement skill 的设计理念