从第一性原理重新理解 Agentic Engineering：AI与软件工程的深度融合

软件开发正在经历从“代码补全”到“自主Agent”的深刻变革。在这场变革中，业界流行一种名为 vibe coding 的实践——开发者将需求直接抛给AI，不审查生成的代码，凭直觉接受输出，以最快速度获得"能跑"的结果。然而，这种模式的本质是用速度换取理解和控制，无法承载生产级系统的质量要求。

为什么需要第一性原理思维？

Agentic Engineering 代表了一种截然不同的范式。它不是"让AI替你写代码"，而是工程师与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。其核心是将工程纪律与AI能力系统性地结合，在保持甚至提升质量标准的前提下，大幅提升研发效能。

三条基本公理奠定理论基础

第一性原理思维是一种将问题拆解到最基本的、不可再分的事实，然后从那里重新构建推理的思考方法。它不是"别人怎么做，我就怎么做"的归纳法，而是回到根本去追问"什么是对的，为什么是对的"的演绎法。 在AI辅助开发领域，我们常见一些隐含假设："只要把代码喂给AI，它就能理解整个项目"、"AI不适合复杂系统开发"、"AI提效的核心价值是帮人更快写代码"。这些假设来自一线实践的合理总结，但不加条件地接受可能会误导方法论设计。

公理三：人类认知是稀缺资源

软件工程的本质是将人类头脑中模糊的意图，通过一系列信息变换，逐步精确化为机器可执行的代码。从人类意图到自然语言需求、到结构化设计、到形式化代码、再到可执行程序，这条链的每一步都可能引入信息损耗。 AI的引入并没有消除这条链，而是改变了链上各环节的执行方式和损耗率。更重要的是，AI的输出是概率性的——同样的输入可能产生不同的输出，生成的代码可能表面正确但语义偏差，这引入了一种新的损耗类型：不是人类的误解，而是AI的"似是而非"。

公理二：LLM的本质约束

LLM是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：输出由上下文决定、输出是概率性的、工作记忆是有限且易失的。 上下文决定性意味着：模型对训练数据之外的知识（团队业务逻辑、内部架构决策、编码规范）掌握为零。概率性意味着：同样的输入可能产生不同的输出，这不是缺陷而是架构层面的本质属性。工作记忆的有限性意味着：会话结束后，讨论结论和决策历史直接丢失，没有跨会话的持久记忆。

如有侵权，请联系删除。