认知重建之后，步入Agentic Engineering的工程革命

2025年2月，Andrej Karpathy随手发了一条推文，发明了一个词——Vibe Coding（氛围编程）。他描述了一种全新的编程方式：开发者完全沉浸在AI氛围中，让AI生成代码，自己只需看看、说说、跑跑、粘贴粘贴，大部分时候它就能工作。这条推文之所以火遍全网，是因为它说出了很多人心里的真实状态——AI写代码已经足够「够用」了。一年后，Karpathy回顾这条推文时，给出了一个更值得注意的名字：Agentic Engineering。他指出，如今通过LLM智能体进行编程正日益成为专业人士的默认工作流程，而Agentic Engineering让这个过程更加系统化和可控。

理解Agentic Engineering：从概念到本质

2026年1月2日，一个普通的工作日凌晨，作者提交了AgenticMetaEngineering项目的第一个commit。最初，整个体系就是一个AGENTS.md文件——定义了Agent的角色、几条基本规则、目录约定。仅此而已。然后用它来做第一个自建需求：插件市场的开发。两个月后，这个简单的文件已经成长为拥有22个Agent、27个Skill、28个命令的完整工程体系。它不是设计出来的，而是被真实需求一步步逼出来的——中间经历了场景路由的建设与推翻、方法论的沉淀、多Agent协同代码审查的实战、运营活动配置的端到端落地，以及从一个人用到到一个团队用的完整过程。

工程体系的自然生长：四个阶段的演进

Agentic Engineering到底是什么？LangChain创始人Harrison Chase在研究中引用Andrew Ng的观点：与其争论哪些系统算「真正的AI Agent」，不如承认系统的「Agentic程度」是一个光谱。就像自动驾驶有L1到L5的分级，AI系统的自主程度也有不同层级——从简单的Router（路由器）到State Machine（状态机），再到高度自主的Autonomous Agent（自主智能体）。 作者基于自己的实践，对Agentic Engineering给出了更具体的定义：它是一种工程范式，让人从「代码编写者」转变为「Agent协调者」，通过系统化的上下文管理、知识沉淀和流程设计，让AI Agent具备自主性、记忆力和成长性，在不牺牲质量的前提下实现工程效率的复利增长。它不是Vibe Coding的对立面，而是Vibe Coding的工程化演进——保留了「让AI做事」的杠杆效应，同时补上了「质量保障」和「知识复利」两块关键拼图。

方法论沉淀与行业验证

2026年1月初，作者从第一篇文章的认知出发，知道上下文工程、记忆持久化、经验沉淀这些事迟早要做。但受第二篇文章教训的启发，他刻意控制了自己「一步到位」的冲动——不是不知道要做，而是不确定现在做是不是过度设计。策略很明确：先让AI按照最简单的规则跑起来，等到真正「不得不做」的时候再做。 预期中的问题很快就出现了：AI每次做需求都要从头问一遍业务背景——它没有记忆；上次踩的坑这次又踩了——经验没有沉淀；做到一半会话断了，恢复时完全不知道做到哪了——没有状态持久化。这些问题在同一天之内集中爆发，明确了一件事：现在就是「不得不做」的时刻了。一个文件起步是对的，但一个文件不够用——这不是设计失败，而是演化的信号。

走向标准化的工程实践

既然AI没有记忆，那就给它造一个。第一个「涌现」的目录是context/——最初就是一个放文档的地方，但它很快自然分化出了两个层次：团队级知识（context/team/）存放所有项目通用的规范和流程，项目级知识（context/project/）存放特定项目的架构设计和业务知识。这个分化不是画了架构图然后实现的，而是因为发现有些规范每个项目都在重复写，有些则只对特定项目有意义。 第二个「涌现」的目录是requirements/。做了几个需求后，它自然演化出了固定结构：meta.yaml记录需求元信息、plan.md记录计划、process.txt记录进度、notes.md记录经验笔记。每个文件的出现都有对应的痛点：process.txt是因为跨会话恢复时AI不知道之前做到哪了；notes.md是因为过程中发现的好经验没地方记。 作者提出了一个重要概念——「位置即语义」：不需要复杂的元数据系统，文件放在哪个目录，AI就知道它是什么。这比任何数据库或索引机制都简单、都可靠。

如有侵权，请联系删除。