ENZOMEGA.
Clipping 微信公众号

再次强烈推荐「Agentic Engineering Patterns」：写代码免费了，人人都可以开发，工程师该干什么？

by 邵猛 原文 ↗
Created: 2026-06-12
#公众号文章

公众号名称：AI 启蒙小伙伴

作者名称：邵猛

发布时间：2026-06-12 08:00

Agentic Engineering Patterns

再次强烈推荐 Agentic Engineering Patterns

作者是知名开发者 Simon Willison，2026 年 2 月起撰写，每周约新增 1–2 章，目前仍在演进。文字由他本人撰写，示例与代码借助 LLM 辅助。

**在线阅读：**https://simonwillison.net/guides/agentic-engineering-patterns/

核心目标： 如何用好 Claude Code、Codex 这类能写代码、也能执行代码的 coding agent，拿到可靠、可维护的结果。

如果你想要 Agentic Engineering Patterns 全文翻译，请在文末投票。

如果你还不了解 Simon，你一定见过这张图，每次新模型发布，都会有人用这张鹈鹕骑车的 SVG 来做测试，作者就是 Simon。

核心概念：Agentic Engineering ≠ Vibe Coding

维度Vibe CodingAgentic Engineering
定义来源Karpathy 提出Willison 提出的专业实践
适用人群常与非程序员原型相关专业工程师放大既有能力
代码质量未审查、原型级审查、测试、可上线
人的角色几乎不参与代码理解定义问题、验证结果、持续改进 harness

Agent 的定义： 在循环中调用工具以达成目标。Coding agent 的关键差异是能执行代码——没有执行能力，LLM 输出价值有限；有了执行，agent 才能迭代到「确实能跑」的软件。

人的工作并未消失，而是上移：

  • 决定写什么代码（问题空间有数十种解法与权衡）
  • 提供工具与足够细的规格
  • 验证结果是否稳健可信
  • 把经验写回指令与 harness（LLM 本身不会从错误中学习，但系统可以）

全书最重要的一个判断

写代码变便宜了，写好代码并没有。

过去几十年，工程习惯都建立在「代码昂贵」之上：

  • 宏观： 大量设计、估算、排期，功能必须数倍覆盖开发成本
  • 微观： 是否重构、写测试、补文档、做 debug UI——每个决定都受时间约束

Agent 把这个约束打碎。一个人还能并行跑多个 agent，同时实现、重构、测试、写文档。

但「好代码」仍有明确标准：

  • 能跑、且被证明能跑
  • 解决对的问题
  • 处理错误路径，不只 happy path
  • 简洁、可维护
  • 有测试与合适文档
  • 设计留出演进空间（YAGNI 与可扩展性的平衡）
  • 满足安全、可观测性等 non-functional 要求

新习惯： 当直觉说「不值得做」时，不妨开个异步 agent 试一下——最坏情况是浪费几分钟 token；很多过去「不划算」的改进，现在值得做。

五大原则层（Principles）

1. 定义边界

Agentic Engineering 是专业工程师用 coding agent（能写能跑）放大能力；不等于 vibe coding（不审代码的原型玩法）。人的核心工作：定目标、给工具、验结果、把经验写回 harness。

2. 接受新约束

写代码几乎免费，写好代码仍然贵。旧习惯（过度规划、跳过测试/文档/重构）要推翻；直觉说「不值得做」时，不妨开个异步 agent 试一下。

3. 囤积可复用解法

积累带可运行证明的代码片段（仓库、笔记、小工具）。最强用法：把两个已验证例子拼进 prompt，让 agent 组合出新方案；每个技巧人类只需解决一次。

4. 质量应上升，而非下降

技术债、命名混乱、大文件拆分等「简单但耗时」的清理，交给后台 agent 做，成本已低到可零容忍 code smell；用原型并行验证技术选型；任务结束做回顾，把有效做法写进指令（复合工程）。

5. 严守反模式

绝不提交自己没审过的 PR。合格标准：确信能跑、体量小、有上下文、描述自己读过、附测试证据。否则只是把活甩给 reviewer。

实操层：与 Agent 更好的协作

1. 先懂机制，再谈用法

Agent = LLM + 系统提示 + 工具循环。 你不必背实现细节，但要清楚：

  • 对话越长越贵；agent 会尽量利用 token 缓存
  • 模型无状态，每次重放上下文
  • 能执行代码才是 coding agent 与普通 LLM 的分水岭
  • Reasoning/Thinking 对调试复杂问题尤其有用

2. Git：大胆用，不必背

把 Git 当 agent 的「时间机器」和「安全网」：

场景Prompt
新会话恢复上下文Review changes made today
救场Sort out this git mess for me
找丢了的代码Find and recover my code that does ...
定位回归Use git bisect to find when this bug was introduced
修 commit / 抽库留历史Undo last commit / 从新 repo 复制模块并保留 commit 历史

3. Subagent：省上下文，不是炫技

上下文有限，大任务要「分身」：

  • Explore： 进陌生 repo 先摸清结构，汇总给主 agent
  • 并行： 多文件独立改动可同时跑，可用更便宜模型
  • 专家（审查 / 跑测 / 调试）： 隐藏冗长输出，只回报结果

原则： 为省 token 而拆，不为拆而拆；主 agent 够用就别过度分工。

4. 测试：三层防线

层做法
① TDD先写测 → 确认失败 → 实现至通过
② 建立测试意识新会话先跑全套测试
③ 手动验python -c / curl / Playwright 真浏览器
④ 留证Showboat 记录命令与真实输出，防编造

5. 理解代码：还认知债

Agent 产出若成黑盒，会积累认知债（类似技术债，拖慢后续决策）：

  • Linear walkthrough： 线性导读，用 grep/cat 引用代码，禁止手抄
  • Interactive explanation： 在导读基础上做可暂停、可调速的动画演示

适用： 陌生代码、自己忘了细节的代码、vibe code 出来却没看过的代码。

最小起手式

First run the tests
Use red/green TDD
Review changes made today

Web 项目再加：

Start a dev server and explore that API using curl
Test that with Playwright

如果朋友们想看 Agentic Engineering Patterns 全文翻译，欢迎留言和投票，如果需要的朋友多，我会再给大家做全文翻译。

内容效果不满意？点此反馈

输入关键词开始搜索