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

流年似水～

1203人浏览 · 2026-04-19 09:46:35

流年似水～ · 2026-04-19 09:46:35 发布

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（Tools）	Agent 能调用什么（搜索、代码执行、文件系统）
记忆系统（Memory）	Agent 能记住什么（上下文、项目知识、历史决策）
约束规则（Constraints）	Agent 不能做什么（安全边界、质量标准）
反馈回路（Feedback Loop）	Agent 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 Workflow）

Vibe Coding 的工作流是：

写一段 prompt → 等 AI 返回 → 复制粘贴 → 再写下一段 prompt

Agentic 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 Code	Anthropic	CLI Agent	最强的 Agentic 循环，支持 MCP 协议
Cursor	Anysphere	AI IDE	Composer 模式，支持多步任务编排
GitHub Copilot	Microsoft	IDE 插件	深度 VS Code 集成
Windsurf	Codeium	AI IDE	Cascade 多步骤 Agent

Agent 编排框架

框架	特点
MCP（Model Context Protocol）	Anthropic 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
AutoGen	Microsoft 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
Aider	CLI 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.md（5 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"