从第一性原理思考 Agentic Engineering

📌 一句话摘要

本文从第一性原理出发，系统性地推导了 Agentic Engineering 的六条核心最佳实践，并介绍了一个基于 Skill 的模块化开源框架，旨在将工程纪律与 AI 能力结合，在复杂约束下可靠地提升软件工程质量。

📝 详细摘要

文章批判性地审视了当前 AI 辅助开发中的流行假设（如 vibe coding），并从三条基本公理（软件工程的信息损耗、LLM 的本质特征、人类认知的稀缺性）出发，演绎推导出 Agentic Engineering 的六条核心最佳实践：Context Engineering、基于知识不对称的人机分工、AI 全链条参与、小任务推进与多层次验证、Knowledge as Code 以及 Error-Driven Context Refinement。作者进一步将这些实践落地为一个基于 Skill 的模块化开源框架，该框架通过 Workflow、Best Practices、Standards 等模块，实现了 SDLC 全链条的 AI 协作，并内置了自迭代反馈闭环。文章强调，Agentic Engineering 的目标不是让 AI 替代工程师，而是在保留工程纪律和质量标准的前提下，最大化人机协作的总产出价值。

💡 主要观点

1. Agentic Engineering 的核心是在工程约束下引入 AI 作为协作者，而非替代者。 与追求速度的 vibe coding 不同，Agentic Engineering 强调保留质量、安全、可维护性等约束，通过系统性的方法论将 AI 能力融入软件开发生命周期，旨在同步提升效率与质量。
2. 从三条公理出发，可以推导出六条关键实践，构成方法论的核心。 公理包括软件工程的信息损耗、LLM 的上下文决定性/概率性/工作记忆有限性、人类认知的稀缺性。基于此，推导出 Context Engineering、基于乔哈里窗的人机分工、AI 全链条参与、小任务与多层次验证、Knowledge as Code 以及从错误中学习的反馈闭环。
3. Context Engineering 是管理 AI 输出质量上限的关键。 由于 LLM 的输出严格由上下文决定且窗口有限，必须构建高信噪比的上下文供给系统，通过 Spec-First、Docs as Code、渐进式披露等策略，将团队私有知识结构化为 AI 可消费的形式并按需注入。
4. 基于 Skill 的模块化框架是实现最佳实践的可落地工程载体。 作者将方法论落地为开源框架，通过 Workflow、Best Practices、Standards 等模块，以纯文本 Skill 的形式封装知识和流程。框架支持按需加载、知识版本化演进，并内置自迭代机制，实现了工程纪律与灵活性的平衡。

💬 文章金句

• Agentic Engineering 代表了一种截然不同的范式。它是一种工程师与 AI Agent 深度协作的模式——AI 不仅是代码的执行者，也是问题分析、方案设计等环节的思考伙伴；但最终的判断和决策权始终在工程师手中。
• 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。
• Context Engineering 正是解决这一矛盾的系统性方法……其指导原则是：寻找能够最大化产生期望结果可能性的最小、高信号 Token 集。
• 必须将大任务拆解为可独立验证的子任务，每步由 AI 执行、人类校验，通过后再进入下一步。这同时控制了三个风险：错误累积、上下文退化、验证成本。
• 把每一次错误都变成进化的机会。与其反复提醒 AI 同样的事，不如把缺失的规范和知识沉淀下来。错误不是负担，而是系统生长的养料。

📊 文章信息

阅读完整文章