Agentic Engineering

Agentic Engineering（智能体工程）是2025-2026年间快速兴起的软件工程新范式，核心定义来自Simon Willison：专业软件工程师使用编码智能体（Coding Agents）来放大自身专业能力的实践。该概念由Andrej Karpathy在2026年4月Sequoia Capital的AI Ascent大会上正式推向公众视野，并明确区分了Vibe Coding与Agentic Engineering：前者抬高所有人做软件的下限，后者要保住专业软件过去已有的质量门槛。它属于AI-Native软件工程范畴，横跨AI Agent技术栈、软件工程实践和人机协同设计三个领域。其出现源于三个力量：LLM能力质变、Agentic工具成熟、代码生产成本趋近于零。核心方法包括：人类编写规格（Spec）和测试，Agent生成代码，人类审查结果；测试被视为人类与Agent之间的通信协议。该范式强调代码是廉价的、理解是昂贵的，细节可以外包、结构不能外包。

在Agentic Engineering出现之前，AI辅助编程（如GitHub Copilot）存在根本性局限：单轮交互，没有连贯的工作流，无法自主规划、调试、迭代；信任不足，早期模型生成的代码经常出错；质量无保障，代码能跑但臃肿、重复、结构脆弱、难以维护；缺乏系统视角，Agent可能用邮箱地址去交叉关联资金（MenuGen案例）；工具割裂，编码、测试、部署、配置各自为战；上下文丢失，长任务中模型忘记早期指令。这些痛点的本质是：AI辅助编程仍然把AI当作"更快的打字员"，而不是"自主的协作者"。传统方案如瀑布模型假设需求不变，敏捷开发没有解决"代码从哪来"的问题，DevOps自动化了部署运维但代码本身仍由人工编写。Agentic Engineering要解决的是：当Agent能自主完成编码-测试-调试的完整循环时，工程师的角色和工程实践需要怎样重构。

Agentic Engineering的底层运行机制拆解为三层架构：决策层（人类工程师）负责规格设计、质量标准、系统架构、安全审计、风险识别、目标设定；编排层（Agent Orchestrator）负责任务分解、上下文管理、工具调度、多Agent协调、并行执行、结果聚合；执行层（Coding Agents）负责代码生成、单元测试、调试修复、代码审查、重构优化、文档生成。标准工作流为：接收需求、编写Spec、设计测试用例（Red阶段）、启动编码Agent（Green阶段）、测试通过后进行代码审查、安全审计、合并部署。测试失败时启动调试Agent分析失败原因并修复。工程师时间分配发生根本变化：直接编写代码从2020年的60%降至2026年预估的8%，智能体编排从0%升至28%，代码审查从10%升至25%。

• 多Agent并行执行，可同时启动3-5个Agent会话处理不同模块
• Red/Green TDD作为核心模式，测试为AI定义精确的成功标准
• 质量门控机制，确保Agent输出达到专业标准
• 支持大规模代码重构，模型可重构10万行代码
• Agent红队机制，专门寻找迁移引入的bug
• 安全审计流程，Agent可扫描OWASP Top 10漏洞模式并生成修复补丁
• 上下文管理，为Agent组装合适的context window
• 工具调度，通过MCP、Function Calling控制Agent可调用的工具
• 结果聚合，合并多个Agent的产出并解决冲突
• ×24不间断工作，人类在关键节点介入

• AI 整理 · 本地测试，未经人工复核；依据历史报告节选，不代表当前产品状态。
• 报告明确指出5个不建议使用的场景：航天、医疗、核能等生命安全系统，容错率为零；需要极高代码优雅性的基础库，Agent目前的代码质量不够；模型能力分布外的领域，Agent可能给出荒诞的输出；强监管行业的核心系统，合规和审计要求尚未适配；团队对AI完全没有信任基础，抗拒心理会抵消效率提升。局限性包括：模型无法在简洁性、优雅性和抽象质量上替代人类判断；Agent擅长实现细节，不擅长顶层架构设计；当Agent生成的代码出现安全事故，法律责任如何界定仍是灰色地带。此外，LLM的能力是"锯齿状"的，在可验证任务上能力飙升，但在训练分布外的任务上可能荒诞地出错。