AI 编程范式大变天：Vibe Coding 已死，Agentic Engineering 才是未来

AI 编程范式大变天Vibe Coding 已死Agentic Engineering 才是未来作者说本文不蹭热度只讲事实。Vibe Coding 和 Agentic Engineering 不是两个流行词而是两次范式转移。如果你现在还在prompt 祈祷式编程看完这篇你会知道自己错过了什么。一、从一个梗说起Vibe Coding 是怎么火起来的2025 年 2 月OpenAI 联合创始人 Andrej Karpathy 发了一条推特原文大意是“我现在有大约 80% 的代码是通过 AI 写的有时候我自己都不知道代码长什么样了。这感觉很奇怪也很酷。我把这种编程方式叫做 Vibe Coding。”这条推特在 48 小时内传遍了整个程序员圈。“氛围编程这个概念一夜爆火无数开发者开始炫耀自己一天完成了一个 App”、“一周交付了一个网站”全靠 AI。然后2026 年 2 月Vibe Coding 一周岁生日刚过完Karpathy 又发了一条推特“Vibe Coding 是一个很好的起点但它是一个信任但不去验证的阶段。现在是时候进入 Agentic Engineering 了。”这一次大多数人没太当回事——毕竟下一个新概念太多了。但这次不一样。二、Vibe Coding 的本质不是用 AI 编程而是放弃控制权很多人把 Vibe Coding 理解为用 AI 工具写代码这是对的但只对了一半。Vibe Coding 的本质不是工具升级而是心态转变传统编程 人 → 写代码 → 运行 → 验证 → 改Bug → 循环 Vibe Coding: 人 → 描述需求 → 交给AI → 看结果对不对在这个模式里人变成了旁观者AI 变成了执行者。这有什么问题问题在于当你放弃控制权的时候你也在放弃质量控制权。Karpathy 本人在 2026 年的访谈里承认了这一点“Vibe Coding 是’prompt-and-pray’——你把需求扔给 AI然后祈祷它别出错。我发现我的代码里有大量隐藏的问题只有在某个特定场景触发的时候才会暴露出来。”一个真实的例子你让 AI 写一个用户注册接口。AI 生成了代码看起来逻辑正确。但当你真正上线的时候发现没有处理并发注册同一秒两个人注册同一个用户名没有做密码强度校验错误信息直接返回了数据库错误泄露了表结构这些问题在 Vibe Coding 模式下只有人工代码审查才能发现。但当你把 80% 的代码都交给 AI 写的时候你还剩多少精力去做代码审查答案是几乎没有。三、Vibe Coding 的三大原罪原罪一代码质量不可量化你问 AI“这段代码质量怎么样”AI 回答“看起来很好”但看起来很好不是质量保证。代码质量需要通过单元测试覆盖边界条件验证性能基准测试安全审计这些在 Vibe Coding 里全靠你自己做。但当 80% 的代码都不是你写的你对这些代码的理解程度决定了你能做多深的审查。结论Vibe Coding 模式下代码质量的上限等于你个人对 AI 生成代码的理解深度。原罪二没有结构性反馈回路好的工程实践是有反馈回路的代码变更 → 测试运行 → 审查通过 → 部署 → 监控 → 反馈 → 修复Vibe Coding 把这个回路变成了描述需求 → AI 生成代码 → 运行 → (出错了?) → 再描述需求 → 再生成这不是工程这是无限循环的调试游戏。原罪三知识孤岛人成了最大瓶颈在 Vibe Coding 模式下有一个非常讽刺的现象AI 知道怎么写代码但你不知道。当代码出问题了你需要向 AI 描述问题、描述上下文、描述你想要的修复方向——这个过程本身就是一种编程但它极度依赖你的表达能力。如果一个问题超出你的认知边界你甚至不知道该怎么向 AI 描述它。四、Agentic Engineering 到底是什么2026 年 2 月Karpathy 给 Agentic Engineering 下的定义是“Agentic Engineering 就是让你从’写代码的人’变成’管理 AI Agent 的人’。你定义目标、约束和质量标准AI Agent 在结构化流程中自主执行规划、编码、测试和迭代。每个关键节点都有人工审核节点。”听起来很抽象核心其实就是一句话AI 负责执行人负责架构和审核。不是AI 替你做而是AI 在你的框架里做你来把关。Agentic Engineering 的三大支柱支柱一Harness工具与约束系统“Agent Model Harness” —— 这是 Karpathy 的核心公式。Harness 是什么它是 AI Agent 的运行环境包括Harness 组件作用工具集ToolsAgent 能调用什么搜索、代码执行、文件系统记忆系统MemoryAgent 能记住什么上下文、项目知识、历史决策约束规则ConstraintsAgent 不能做什么安全边界、质量标准反馈回路Feedback LoopAgent 怎么知道做错了测试失败、审查不通过Model 决定 Agent 有多聪明Harness 决定 Agent 有多可靠。类比Model 相当于大脑Harness 相当于神经系统 骨骼 肌肉。光有大脑走不了路。支柱二Human-in-the-Loop人在回路Agentic Engineering 不追求让 AI 全自动完成一切而是追求正确的自动化 必要的人工干预。关键的人工干预节点需求定义人→ 架构设计人→ Agent执行AI → 代码审查人→ 测试验证AI→ 部署审批人 → 生产监控AI人→ 异常处理人这里的关键洞察人工审核的位置决定了系统质量的上限。不是所有事情都要人来做而是关键决策节点必须有人。支柱三结构化流程Structured WorkflowVibe Coding 的工作流是写一段 prompt → 等 AI 返回 → 复制粘贴 → 再写下一段 promptAgentic Engineering 的工作流是定义目标 → 拆解任务 → 配置 Agent 能力 → 执行 → 审查 → 迭代区别在哪里Agentic Engineering 有计划Vibe Coding 只有反应。五、实操对比Vibe Coding vs Agentic Engineering场景开发一个博客系统Vibe Coding 方式用户帮我做一个博客系统用 React Node.js AI好的我来生成... 生成了 50 个文件 用户加一个用户登录功能 AI好的我来添加... 修改了 20 个文件 用户为什么我的登录页面打不开了 AI让我看看...可能是 CORS 问题我来修复... 改了一个配置 用户还是不行... AI让我再看看... 改了另一个配置 ...无限循环Agentic Engineering 方式第一步架构设计人 - 确定技术栈React Express SQLite - 确定项目结构前后端分离 - 确定质量标准100% 测试覆盖TypeScript 严格模式 第二步配置 Agent人 AI - 配置工具集代码生成、测试运行、类型检查 - 配置记忆CLAUDE.md 记录项目规范 - 配置约束禁止删除测试文件禁止关闭类型检查 第三步分阶段执行AI - Agent 负责生成代码、写测试、运行检查 - 每次提交自动触发单元测试 ESLint 类型检查 第四步人工审查人 - 每次功能完成后人工审查关键代码 - 审查重点安全、架构合理性、业务逻辑 第五步迭代优化AI 人 - 根据审查反馈Agent 修改人确认六、2026 年的 Agentic Engineering 工具生态说完理论说工具。以下是 2026 年 Agentic Engineering 生态的核心玩家IDE / 编程 Agent工具公司定位Agentic 能力Claude CodeAnthropicCLI Agent最强的 Agentic 循环支持 MCP 协议CursorAnysphereAI IDEComposer 模式支持多步任务编排GitHub CopilotMicrosoftIDE 插件深度 VS Code 集成WindsurfCodeiumAI IDECascade 多步骤 AgentAgent 编排框架框架特点MCPModel Context ProtocolAnthropic 主导的 Agent 工具调用标准协议LangGraph支持复杂多步骤工作流编排CrewAI多 Agent 协作框架AutoGenMicrosoft 开源的多 Agent 框架Harness 工具工具作用Continue开源的 AI 编程助手可本地部署AiderCLI 驱动的 AI 编程工具Git 集成好Claude Dev Tools专门的开发者工具生态七、程序员如何过渡到 Agentic Engineering第一步建立 Harness 意识立即可做不要上来就想着让 AI 自主完成所有任务。先从建立 Harness 开始1. 写好 CLAUDE.md / SYSTEM_PROMPT.md这是给 AI Agent 的宪法。内容应该包括# 项目规范 ## 技术栈 - 前端React 18 TypeScript - 后端FastAPI PostgreSQL ## 代码规范 - 所有函数必须有类型注解 - 禁止使用 any 类型 - 测试覆盖率不低于 80% ## Agent 行为约束 - 每次修改超过 5 个文件必须分步执行 - 涉及数据库变更必须先生成迁移脚本 - 生产代码变更必须附带测试用例2. 配置自动化检查链代码变更 → 自动运行 → 测试 → 类型检查 → Lint → 代码审查提醒任何 AI 生成的代码都必须经过这个链条。不允许跳过。第二步学会任务拆解核心技能Agentic Engineering 里最重要的能力不是写代码而是把复杂任务拆解成 AI 可执行的步骤。好的任务拆解示例原始需求做一个用户权限系统 拆解后 1. 设计权限模型人RBAC选型论证 2. 定义数据结构人数据表设计AI生成 SQL 迁移脚本 3. 实现权限中间件AI生成代码人审查逻辑 4. 写单元测试AI生成测试用例人审查覆盖率 5. 集成测试AI执行人验证场景 6. API 文档AI生成 OpenAPI 文档人审核拆解的核心原则每个步骤都应该是可验证的。第三步掌握 Context Engineering新高价值技能2026 年最火的技能不是 Prompt Engineering而是Context Engineering。Prompt Engineering怎么写好一条指令Context Engineering怎么给 AI 提供正确的上下文两者的区别Prompt Engineering: 帮我写一个排序函数 → AI 生成代码 Context Engineering: 在当前项目中加载上下文 在 UserService 类加载上下文 新增按注册时间排序方法具体任务 已有测试test_sort_by_name参考 遵循项目代码风格约束 → AI 生成精准代码Context Engineering 的核心能力知道 AI 需要什么上下文知道怎么组织上下文让 AI 理解知道上下文太长时的优先级策略第四步建立人工审核清单不管 AI 生成的代码看起来多完美人工审核永远不能省。以下是必查清单人工审核清单 □ 安全 - 是否有 SQL 注入风险 - 是否有权限绕过漏洞 - 敏感信息是否硬编码 □ 边界条件 - 空输入会崩溃吗 - 并发场景安全吗 - 超大输入会爆内存吗 □ 架构 - 符合项目整体架构吗 - 有没有破坏已有模块 - 扩展性如何 □ 可维护性 - 未来改需求好改吗 - 代码可读性如何 - 有没有隐藏的依赖八、职业影响谁会被淘汰谁会更值钱会被加速淘汰的岗位岗位原因初级 CRUD 工程师AI 生成 CRUD 代码的效率是人的 10 倍以上单纯复制粘贴的代码搬运工AI 比人更快、更准、更不会出错不写测试的开发者AI 生成代码 自动化测试 零手动测试会更值钱的岗位岗位原因AI Agent 架构师设计 Agent 的 Harness决定 AI 能做多复杂的事Context Engineer设计上下文策略让 AI 在正确信息下工作质量工程师设计测试策略和审核标准保证 AI 输出质量问题定义者清晰定义业务问题是 AI 时代最稀缺的能力AI-Human 协作设计师设计人机协作流程让 AI 和人各尽所长九、一句话总结Vibe Coding 放弃控制权让 AI 写代码你来验收 Agentic Engineering 保留控制权让 AI 在你的框架里执行你来把关Vibe Coding 是起点Agentic Engineering 是终点。中间差的不是工具是工程纪律。十、行动清单今晚就能做给你的项目建一个 CLAUDE.md5 分钟定义技术栈、代码规范、Agent 行为约束放在项目根目录AI Agent 自动读取给 AI 生成代码加一层检查链10 分钟配置 ESLint TypeScript 编译 测试不允许代码绕过检查直接提交做一次任务拆解练习20 分钟选一个你平时的任务练习把它拆成 5~8 个步骤标出哪些步骤适合 AI 执行哪些必须人做读一篇 Harness Engineering 深度文章30 分钟推荐Harness Engineering 深度解析GitHub 有英文原文理解为什么框架比模型更重要相关阅读Karpathy 原文Twitter/X搜索 “Karpathy Agentic Engineering”MCP 协议文档modelcontextprotocol.ioClaude Code 官方文档docs.anthropic.com/claude-code如果你觉得这篇文章有帮助欢迎点赞、收藏、评论。有任何关于 Agentic Engineering 落地实践的问题评论区见。