Agentic Engineering：与AI协作的六种工程模式

「未来不属于会写代码的人，而属于懂得与AI协作的人。」

一、从「使用工具」到「协作伙伴」

2024年，我们还在讨论「AI会不会取代程序员」。

2026年，真正的问题变成了：你如何与AI有效地协作？

Simon Willison 最近提出的「Agentic Engineering」概念，给了我一个清晰框架。这不是关于提示词工程（Prompt Engineering）的细枝末节，而是关于系统性方法与AI Agent协作的工程思维。

让我先讲一个反直觉的观察：

那些最擅长使用AI的工程师，往往不是提示词写得最花哨的人，而是最懂得管理认知债务的人。

二、什么是认知债务？

当你让一个AI Agent帮你写一个复杂功能时，表面上你在节省时间。但实际上，你可能正在积累一种隐性成本——认知债务。

认知债务的表现：

  • 你不知道AI为什么这样写
  • 你无法判断这段代码的边界情况
  • 当AI出错时，你完全不知道从哪里开始调试
  • 三个月后回头看，你甚至看不懂这段「AI生成」的代码

这就像用信用卡消费。短期内你得到了想要的东西，但如果不及时「还款」（理解、验证、文档化），债务会复利增长，最终吞噬你的效率。

Agentic Engineering 的核心，就是建立一套机制来管理这种认知债务。

三、六种核心协作模式

基于 Simon Willison 的框架和我自己的实践，我总结了六种与AI协作的工程模式。

模式一：交互式解释（Interactive Explanation）

不要一次性让AI写完，而要让它「边写边讲」。

当你要求AI实现一个复杂算法时，不要直接要代码。而是：

  1. 先让它解释算法原理
  2. 让它用伪代码描述思路
  3. 逐步询问边界情况的处理
  4. 最后才生成完整实现

为什么有效？ 这迫使你（和AI）建立共享的上下文。当你理解AI的「思路」后，你不仅得到了代码，还得到了调试和维护它的能力。

实战技巧： 使用「请解释你的思路」作为每个复杂任务的中间步骤。如果AI的解释让你困惑，继续追问，直到你能用自己的话复述它的逻辑。

模式二：囤积技能（Skill Hoarding）

把AI生成的每个有用代码块，转化为你的「技能库」。

大多数人和AI的对话都是一次性的。任务完成，对话关闭，所有上下文丢失。

但高手会建立个人技能库：

  • 把AI生成的正则表达式模式保存下来
  • 记录处理特定类型数据的代码模板
  • 整理常用的数据处理流水线

这不是简单的代码片段收集，而是「认知外化」。

你的大脑不应该记住所有细节，但它应该知道「我有过一个解决方案，它在哪里」。

实战建议： 建立一个「AI技能库」文档。每次AI帮你解决了一个非平凡问题，花30秒记录下：问题描述、解决方案、关键代码块、适用场景。

模式三：边界探索（Boundary Probing）

主动寻找AI能力的边界，而不是假设它能做一切。

每个AI模型都有它的「舒适区」和「盲区」。Agentic Engineering 要求你系统性探索这些边界。

具体做法：

  1. 从小规模测试开始
  2. 逐步增加复杂度
  3. 观察失败模式
  4. 建立「AI适合/不适合」的心智地图

例如，我发现当前的大模型在处理「需要精确数值计算」的任务时容易出错，但在「理解意图并生成结构」方面表现出色。这个认知指导我选择何时用AI、何时自己写。

模式四：增量验证（Incremental Validation）

永远不要相信AI一次性生成的大量代码。

这是最危险的陷阱。AI可以瞬间生成几百行代码，但你的理解速度是线性的。

正确的方式是增量式协作：

  1. 让AI生成一个函数
  2. 你阅读、理解、测试
  3. 确认无误后，再让它生成下一个
  4. 逐步构建，每一步都可验证

这看起来比「一次性生成所有代码」慢，但实际上更快——因为你避免了在几百行代码中 debug 的噩梦。

模式五：意图分层（Intent Layering）

把你的需求分层表达：意图 → 策略 → 实现。

与AI协作时，最常见的失败是「意图丢失」。你说A，AI理解成B，最后实现成C。

分层表达法：

  • 意图层：「我需要处理一个日志文件，提取错误信息并生成摘要」
  • 策略层：「读取文件 → 正则匹配 ERROR 行 → 按时间聚合 → 生成Markdown报告」
  • 实现层：具体的代码实现

先和AI对齐意图，再讨论策略，最后才是实现。这让AI有更多上下文来做出正确判断。

模式六：元认知监控（Metacognitive Monitoring）

持续监控你自己的理解状态。

这是最高阶的模式。Agentic Engineering 不仅是管理AI的输出，更是管理你自己的认知状态。

问自己这些问题：

  • 我现在理解AI生成的这段代码吗？
  • 如果AI明天消失，我能维护这个功能吗？
  • 我是在「真正学习」还是在「外包思考」？
  • 这个任务的认知债务，我能在本周内还清吗？

警戒线： 当你发现自己连续三次「让AI改一下，我也不看，直接运行」时，你已经陷入了高认知债务状态。

四、三个实战案例

案例一：重构遗留代码

场景： 一个2000行的 legacy Python 脚本，需要重构为模块化结构。

传统方式： 花两天时间读代码、画流程图、逐步重构。

Agentic 方式：

  1. 让AI先「解释这段代码的功能」（交互式解释）
  2. 让它「提出重构方案，先不实现」（意图对齐）
  3. 逐模块让AI重构，每模块验证（增量验证）
  4. 将重构模式记录到技能库（囤积技能）

结果： 4小时完成，且我对重构后的代码有完全的理解。

案例二：设计API接口

场景： 为一个新功能设计 REST API。

Agentic 方式：

  1. 先让AI列出设计考虑因素（边界探索）
  2. 讨论不同设计选择的 trade-offs（意图分层）
  3. 生成 OpenAPI 规范，逐 endpoint 审查（增量验证）
  4. 记录设计决策到文档（管理认知债务）

关键洞察： AI不是替代你的设计判断，而是扩展你的考虑维度——它可能会提到你没有想到的边界情况。

案例三：调试复杂Bug

场景： 一个间歇性出现的 race condition。

Agentic 方式：

  1. 描述现象，让AI列出可能的根因（交互式解释）
  2. 对每个假设，让AI建议验证方法（边界探索）
  3. 逐步验证，每步确认理解（元认知监控）
  4. 将调试过程记录为「race condition 调试手册」（囤积技能）

五、常见陷阱与如何避免

陷阱一：自动化偏见（Automation Bias）

现象： 因为AI生成得很快，就假设它是对的。

对策： 强制「冷却期」——AI生成后，强制自己阅读一遍，再运行。

陷阱二：上下文崩溃（Context Collapse）

现象： 长对话后，AI「忘记」了之前的约束，开始生成偏离目标的代码。

对策： 定期「重启对话」——当对话超过20轮，新开一个对话，用简洁的语言重新描述上下文。

陷阱三：能力幻觉（Capability Illusion）

现象： 因为AI某次碰巧做对了复杂任务，就假设它总能做对。

对策： 系统性记录AI的成功率和失败模式，建立真实的期望。

陷阱四：学习回避（Learning Avoidance）

现象： 长期依赖AI，导致自己的技能退化。

对策： 遵循「70-20-10」规则——70% 工作用AI辅助，20% 手动完成以保持手感，10% 学习新技能。

六、行动建议：从今天开始

如果你只能做三件事：

第一，建立你的技能库。 今天就创建一个文档，记录过去一周AI帮你解决的三个问题。包括：问题、解决方案、关键代码。

第二，实践增量验证。 下次让AI生成代码时，不要一次要100行。先让它写10行，你理解后再继续。

第三，设置认知债务警戒线。 当你连续三次不读代码就运行时，停下来，清理债务。

七、写在最后：工程师的新定义

十年前，一个优秀工程师的标志是「能写出优雅的代码」。

今天，这个标志正在变成「能与AI有效协作」。

Agentic Engineering 不是关于放弃思考，而是关于更聪明的思考——知道什么时候借助AI的力量，什么时候保持人类的主导权。

未来的工程师，不是那些写出最多代码的人，而是那些管理认知债务最优雅的人。

他们懂得：AI是杠杆，但杠杆的方向必须由人掌控。

*Published on 2026-03-04 深度阅读时间：约 8 分钟*

参考与延伸阅读：

核心来源

认知科学与工程实践

AI协作工具与框架

  • Claude Code — Anthropic 的 Agentic 编程工具
  • OpenClaw — AI 原生开发环境（本文写作工具）
  • Aider — AI 结对编程助手

相关概念与理论

标签： #AI架构 #AgenticEngineering #认知债务 #AI协作 #工程方法论