Agentic Work Atlas

Agentic Engineering Patterns

12分钟阅读

Agentic Engineering Patterns

作者：Simon Willison 定位：识别能产生实际结果、且不会因工具进步而过时的模式

核心定义

Agentic Engineering 是使用 Coding Agents 辅助开发软件的实践。

Agent 定义

Agents run tools in a loop to achieve a goal

  • 调用 LLM，传入 prompt 和工具定义
  • 执行 LLM 请求的工具
  • 将结果反馈给 LLM
  • 循环直到目标达成

Coding Agents

能编写和执行代码的 agents：

  • Claude Code
  • OpenAI Codex
  • Gemini CLI

指南章节

Principles（原则）

章节核心观点
What is agentic engineeringCode Execution 是决定性能力
Writing code is cheap now代码成本从昂贵到几乎免费
Hoard things you know囤积可运行代码示例作为资产
AI should help produce better code用助手预防技术债务
Anti-patterns不要提交未审查的代码

Working with Coding Agents

章节核心观点
Using GitAgent 深度理解 Git，可处理复杂操作
Subagents并行代理处理独立任务

Testing and QA

  • Red/green TDD
  • First run the tests
  • Agentic manual testing
  • Dominator Analysis 验证 Agent 行为: 将编译器理论中的支配者分析应用于 Agent 执行图，自动区分 essential states 与 optional noise。
  • 少量 trace 建模: 仅需 2-10 次成功 trace 即可构建 ground truth。实验 F1=100% vs Agent 自评 69.8%。
  • 来源: GitHub Blog: Validating Agentic Behavior

Cost and Observability

  • Token Efficiency: 生产级 Agentic Workflow 不能只问“能否完成任务”，还要问每次自动触发是否在消耗不可见成本。
  • 可优化系统: GitHub 的实践显示，API 代理记录、每日 token 审计、MCP 工具裁剪和 CLI 替代，能把 Agent 工作流从黑盒花费变成可优化系统。
  • 确定性前置: 许多 agent turns 只是数据读取，不需要推理。把 PR diff、文件列表、issue 元数据等提前用 CLI 写入工作区，可以把确定性读取移出 LLM 循环。
  • 工具表面压缩: Hugging Face 的 hf CLI 说明，Agent-native 工具界面本身就是工程模式。把输出格式、错误语义、下一步提示和常见工作流封装进 CLI，可以减少 Agent 为“怎么用工具”付出的推理。
  • Skill 作为命令地图: auto-generated skill 不一定直接减少总 token，但能减少 Agent probing --help 的次数，把更多 token 花在执行任务而不是发现命令。
  • 质量混淆: token 下降不必然代表效率提升，也可能是工作做少了；需要同时看模型层级、工作负载、turn 数、工具完成率和结果质量。

核心洞察

Code Execution 是关键

决定性能力

没有 Code Execution，LLM 输出价值有限。 有了 Code Execution，Agent 可以迭代出可验证工作的软件。

代码成本范式转变

传统：生产几百行代码需要一天
现在：编码代理几乎免费产出代码

影响：

  • 重估所有权衡决策
  • 对代码异味零容忍
  • 异步代理后台重构

知识囤积

收集可运行代码示例的价值：

  • 维护博客/TIL 记录解决方案
  • GitHub repos 作为概念验证
  • HTML tools 集合
  • 用 prompt 指引 Agent 组合现有示例

复合工程

项目完成 → 回顾 → 记录有效做法 → 未来运行使用

小改进复合，编码助手意味着可以兼得新功能 + 高质量。

个人级 Agentic Engineering 操作系统

Matt Van Horn 的工作流把多个模式组装成个人级生产系统：

层机制作用
输入语音、截图、issue、完整会议转写、最新研究降低表达摩擦，保留原始上下文
规划计划即 Agent 检查点外化目标、代码库模式、文件范围和验收标准
执行四到六个并行会话，按任务分配不同模型扩大执行吞吐
判断Human Signal人类提供方向、品味、优先级和重定向
复利笔记知识库、历史计划、Skill、CLI让一次工作降低下一次成本

这套系统的核心不是“无 IDE”或某个终端，而是任务状态、知识和重复做法都被外化为 Agent 可调用资产。

它也暴露了 Agentic Engineering 的风险边界。作者主张几乎不读计划并跳过权限确认，这能提高个人吞吐，但不能直接迁移到团队、生产环境或高风险系统。并行 Agent 越多，越需要权限隔离、验证证据、终止条件和人类责任。

从个人技巧到 AI 原生工程组织

Running an AI-native engineering org 把 Agentic Engineering 从个人工作流推进到组织层。Claude Code 团队的经验不是“所有人写更多代码”，而是代码生成便宜后，瓶颈迁移到 verification、code review、security 和 product taste。

这补充了一个组织级模式：

  • 计划从六个月路线图转向 JIT planning、PR 讨论、原型和内部用户反馈。
  • PM、工程、设计、内容边界变薄，但法律、安全、trust boundary 和产品判断仍需专家审查。
  • 指标可以看 PR cycle time、onboarding ramp 和 AI-assisted commits，但最终仍要看质量、可靠性和产品问题是否被解决。

因此 AI-Native-Engineering-Org 是 Agentic Engineering 的组织化版本：AI 进入默认工作环境后，团队必须重写验证、计划、review 和责任机制。

Coding agents 与智能溢价

Open and closed models are on different exponentials 从经济侧解释了为什么 coding agents 会成为闭源前沿模型的强市场。软件工程任务复杂、杠杆高、相对可验证，边际智能差异会直接改变返工量和完成概率。

这意味着 Agentic Engineering 的模型选择不能只看单次 API 成本。高价值 coding agent 工作流中，企业实际购买的是模型能力、工具链、harness、上下文和服务基础设施的组合。如果边际智能能显著降低失败率，智能溢价 就成立；如果任务稳定可验证且达到质量阈值，开源或专门化模型可能更优。

AI 也需要懒惰和克制

20260414-martin-fowler-fragments 补充了一个反向原则：AI 不应把所有摩擦都解释为“需要生成更多代码”。Fowler 通过 YAGNI 经验提醒，很多好设计来自少做、晚做或不做。

Laziness-Virtue 在这里不是程序员笑话，而是质量控制机制：人类时间有限，所以会主动寻找更少代码、更低认知负担和更清楚抽象。AI-Lacks-Laziness 指出，LLM 默认没有这种未来维护痛感，容易把系统做大而不是做好。

同一组 fragments 也强调 克制：在错误代价不对称的场景里，正确行为可能是延迟行动、要求更多证据或转人工。Agentic Engineering 因此不只是让 agent 更能做事，也要设计 agent 何时不做。

与 Vibe Coding 的区别

维度Vibe CodingAgentic Engineering
代码质量原型级生产级
审查程度无深度审查
验证方式凭感觉自动测试
目标快速原型可工作软件

保持区分

不要把 Vibe Coding 扩展为"任何 LLM 生成代码"。 保持原意：未经审查、原型质量的 LLM 生成代码。

Agent PR 的证据负担

Agentic Engineering 不能把生成成本下降变成 review 成本转嫁。Agent PR Review 和 Agent-Generated PRs 共同指向一个规则：AI 可以帮你更快产出 PR，但不能让维护者替你完成理解、验证和责任承担。

好的 Agent PR 至少要留下四类证据：

  • 它为什么解决正确问题，而不是只解决表面 issue。
  • 它如何被验证，包括测试、运行截图、数值对比或可复现实验。
  • 它是否显式披露 agent-assisted，避免维护者误判上下文。
  • 它是否足够小，能被人类在合理时间内审查。

这把 Agentic Engineering 与 Vibe Coding 再次区分开：前者降低生成摩擦，但提高证据标准；后者把“看起来能跑”当成完成。

相关主题

Agentic Engineering 到 Harness Engineering 的演进

阶段核心问题解决方案来源
Agentic EngineeringAgent 如何有效运行工具循环？Code Execution + TDD + Git FluentSimon Willison
AI-First如何围绕 AI 重建组织？流程重设计 + 全职能 AI 原生CREAO / Peter Pang
Harness Engineering如何让 Agent 成为主要构建者？Monorepo + 自愈循环 + 6 阶段 CI/CDOpenAI (2026.02) + CREAO
Agent HarnessHarness 的技术架构是什么？12 组件 + 7 架构决策 + 脚手架隐喻Akshay Pachaar (综合分析)

CREAO CTO Peter Pang

"You build the system. The prompts are disposable."

参见

来源：Simon Willison, Agentic Engineering Patterns Guide

案例来源：Peter Pang (CREAO CTO), Why Your "AI-First" Strategy Is Probably Wrong, 2026-04-13

关系图谱

反向链接