摘要：当 Andrej Karpathy 宣布 "Vibe Coding 已死，未来属于 Agentic Engineering" 时，整个 AI 编程圈为之震动。本文深入剖析这一范式转变背后的技术逻辑，探讨开发者如何从" vibe 着写代码"进化为"工程化驾驭 AI Agent"，并提供可落地的实践框架。
一、Vibe Coding 的兴起与局限
1.1 什么是 Vibe Coding？
2024 年，OpenAI 联合创始人 Andrej Karpathy 在 X 上首次提出 "Vibe Coding" 这个概念，描述一种全新的编程方式：
"完全沉浸在 vibe 中，拥抱指数级演进，忽略代码细节，只因一切顺利而感到愉悦。"
简单来说，Vibe Coding 就是：用自然语言描述需求，让 AI 生成代码，开发者只负责审查和引导。
这种模式在初期确实带来了惊人的效率提升：
- 一个下午搭建完整的前端页面
- 几小时完成原本需要几天的 CRUD 功能
- 零基础用户也能" vibe "出能用的产品原型
1.2 蜜月期的终结
然而，随着项目复杂度上升，Vibe Coding 的局限性逐渐暴露：
| 问题类型 | 具体表现 |
|---|---|
| 上下文爆炸 | 项目超过一定规模后，AI 开始"失忆"，重复造轮子 |
| 代码质量失控 | 生成的代码能跑，但难以维护、测试困难 |
| 架构债务累积 | 缺乏系统性设计，技术债呈指数级增长 |
| 调试噩梦 | 当 AI 生成的代码出错，定位问题比手写代码更困难 |
正如一位开发者在掘金评论区吐槽的："Vibe Coding 让我三天写完了项目，却花了三周去 debug。"
二、Agentic Engineering：下一代范式
2.1 范式转变的核心
2025 年 2 月，Karpathy 再次发推，宣布 "Vibe Coding 已死，未来是 Agentic Engineering"。
这不是对 AI 编程的否定，而是方法论层面的升级：
Vibe Coding → Agentic Engineering
─────────────────────────────────────────────────
被动接受 AI 输出 → 主动设计 Agent 工作流
一次性提示词 → 可复用的技能系统（Skills）
忽略代码细节 → 工程化质量管控
人与 AI 混写代码 → 人设计框架，AI 填充实现
2.2 Agentic Engineering 的三大支柱
支柱一：技能系统（Skills）
不再依赖零散的提示词，而是构建可复用、可组合的技能库。
以 Superpowers 框架为例，一个技能通常包含：
- 技能定义：明确的能力边界和输入输出
- 示例代码：高质量的实现参考
- 测试用例：确保输出质量的可验证标准
- 文档说明：使用场景和注意事项
# skill-example.yaml
name: "api-endpoint-design"
description: "设计符合 RESTful 规范的 API 端点"
inputs:
- resource_name: string
- operations: ["GET", "POST", "PUT", "DELETE"]
outputs:
- endpoint_specs: array
- validation_rules: object
test_cases:
- input: { resource_name: "user", operations: ["GET", "POST"] }
expected: { endpoints: [...], status: "valid" }
支柱二：工作流编排（Workflow Orchestration）
将复杂任务拆解为可编排、可观测、可回滚的工作流节点。
一个典型的 Agentic 工作流可能包含：
- 需求解析节点：将模糊需求转化为技术规格
- 架构设计节点：生成系统架构和模块划分
- 代码生成节点：基于架构生成具体实现
- 质量验证节点：自动测试、lint、类型检查
- 人类审查节点：关键决策点的人工确认
支柱三：记忆与上下文管理（Memory & Context）
解决 Vibe Coding 最大的痛点——上下文丢失。
当前业界的主流方案：
- 向量记忆：将代码、文档、对话向量化存储
- 图谱记忆：用知识图谱维护实体关系（如 Cognee）
- 分层上下文：区分系统级、项目级、任务级上下文
三、实战：从 Vibe 到 Agentic 的迁移路径
3.1 阶段一：建立技能库（第 1-2 周）
不要一开始就试图搭建完美的 Agent 系统。从整理你的提示词开始：
- 收集：把过去三个月用过的好提示词整理出来
- 分类：按场景归类（代码生成、重构、测试、文档等）
- 标准化：为每类提示词定义统一的输入输出格式
- 验证：建立简单的测试集，确保技能可用
示例：前端组件生成技能
## 技能：React 组件生成
### 输入
- 组件名称
- 功能描述
- Props 接口（可选）
- 样式偏好（Tailwind/AntD/自定义）
### 输出规范
- 使用 TypeScript
- 包含基础 Props 类型定义
- 导出默认组件
- 包含简单使用示例
### 质量检查清单
- [ ] 类型定义完整
- [ ] 无 any 类型
- [ ] 支持 ref 转发
- [ ] 包含 loading/error 状态处理
3.2 阶段二：引入工作流（第 3-4 周）
当你的技能库覆盖 80% 的日常场景后，开始设计工作流：
需求输入 → 需求解析 → 复杂度判断
↓
简单 → 直接生成 → 代码审查 → 输出结果
复杂 → 架构设计 → 模块拆分 → 并行生成 → 集成测试 → 代码审查 → 输出结果
关键原则：
- 每个节点都有明确的输入输出
- 在关键节点设置"人工检查点"
- 保留完整的执行日志，便于复盘
3.3 阶段三：构建记忆系统（第 5-8 周）
记忆系统是 Agentic Engineering 的"分水岭"。
最小可行方案（MVP）：
# 伪代码示例
class ProjectMemory:
def __init__(self):
self.code_index = VectorStore() # 代码语义索引
self.decision_log = [] # 决策日志
self.architecture_graph = Graph() # 架构图谱
def query(self, intent: str) -> Context:
# 1. 意图理解
# 2. 检索相关代码片段
# 3. 查找相关决策记录
# 4. 组装上下文
pass
def update(self, event: Event):
# 更新各类索引
pass
推荐工具：
- Cognee：6 行代码即可接入的图谱+向量记忆
- Mem0：专为 AI Agent 设计的记忆层
- LangMem：LangChain 生态的记忆扩展
四、工具链选型指南
4.1 AI 编程助手
| 工具 | 优势 | 适用场景 |
|---|---|---|
| Claude Code | 上下文理解强、代码质量高 | 复杂项目、长期维护 |
| Cursor | 体验流畅、生态丰富 | 日常开发、快速迭代 |
| GitHub Copilot | 与 IDE 深度集成 | 代码补全、简单生成 |
| Trae | 国内可用、中文支持好 | 国内开发者入门 |
4.2 Agent 框架
| 框架 | 特点 | 学习曲线 |
|---|---|---|
| LangChain | 生态最完善 | 较陡 |
| LangGraph | 支持复杂工作流 | 中等 |
| AutoGen | 多 Agent 协作 | 中等 |
| CrewAI | 角色扮演友好 | 平缓 |
| n8n | 可视化编排 | 平缓 |
4.3 MCP（Model Context Protocol）
MCP 是 Anthropic 推出的开放协议，让 AI 能够安全地连接外部工具和数据源。
必装的 MCP 服务：
- Filesystem：本地文件操作
- GitHub：仓库管理
- Playwright：浏览器自动化
- PostgreSQL：数据库访问
- Brave Search：网络搜索
五、未来展望
Agentic Engineering 并非终点，而是通向 "自主软件工程"（Autonomous Software Engineering） 的必经之路。
我们可以预见：
- 更智能的 Agent：从"执行指令"到"理解意图"，再到"预判需求"
- 更紧密的人机协作：人类负责创意和决策，Agent 负责实现和优化
- 更完善的工程体系：CI/CD、监控、可观测性全面适配 AI 时代
- 新的职业形态："AI 工程师"成为独立岗位，介于传统开发和算法之间
结语
从 Vibe Coding 到 Agentic Engineering，本质上是从使用工具到驾驭系统的跃迁。
作为开发者，我们不需要恐惧这种变化。恰恰相反，AI 正在把我们从重复劳动中解放出来，让我们有更多精力去做真正有价值的事——系统设计、架构思考、用户体验、业务创新。
正如计算机科学家 Donald Knuth 所说：
"编程的艺术就是处理复杂性的艺术。"
在 Agentic Engineering 的时代，这门艺术有了新的内涵：不再是独自对抗复杂性，而是设计能够驾驭复杂性的智能系统。
参考资源：
- Andrej Karpathy 的 X 帖子合集
- Superpowers 官方文档
- MCP 协议规范
- Cognee GitHub 仓库
本文首发于稀土掘金，转载请注明出处。
