什么是智能体式工程？

随着AI 和 AI 智能体的快速增长，使用生成式 AI 构建软件已成为标准软件开发工作流程的默认部分。在 Stack Overflow 的 2025 年开发者调查中，发现 84％ 的受访者在开发过程中使用或打算使用人工智能辅助编程。¹

然而，调查也显示不信任 AI 工具准确性的开发者比例高于信任，46% 的开发者表示怀疑，而对结果充满信心的开发者则为 33%。

只有一小部分受访者（3%）表示他们对 AI 生成的内容"高度信任"。经验丰富的开发者尤其谨慎，报告称“高度信任”率最低（2.6%），而“高度不信任”率最高（20%）。¹这一趋势凸显了普遍预期，即人工监督依然至关重要，尤其是对于具有重大责任的岗位。

实际上，开发者会在有经验的人类审核员指导下，使用 AI 处理那些耗时但风险相对较低的任务。此类操作包括代码重构、生成样板代码和测试、执行轻量级代码审查、起草文档、搭建 API 和其他低风险任务等任务。

总而言之，氛围编码允许开发人员使用大语言模型 (LLM) 或智能体系统，通过一些自然语言提示快速实现自动化和原型设计。

“氛围编程”中的“氛围”带有随意、即兴的含义。虽然这种框架非常适合 AI 辅助编程的早期探索阶段，但它与开发者对 AI 编程智能体持怀疑态度的现实相冲突。

如果没有将 LLM 用于软件工程目的的适当专业知识，氛围编程可能会生成所谓的“AI 垃圾”，即没有用处或破坏现有代码的代码。这种破损代码往往会增加工程团队的技术债务，因为他们大部分时间都在理解、调试和重构代码上。

另外，Karpathy 在 X 上用不同的方式详细介绍了“智能体式工程”一词：

• “智能体式”：依靠智能体编排编写代码，人类开发者监督并验证输出。当智能体或多智能体系统遍历子任务时，我们保持了人机回圈。
• “工程”：使用智能体工作流在不危及代码质量的情况下进行有意义的代码制作，需要一定程度的专业知识。这项技能是可以培养和提升的。

智能体工程使我们能够从确定性逻辑转向概率判断的微妙领域。因此，这需要组织的思维方式与工程团队的运作方式发生根本性转变。

这一过程首先要建立明确的治理框架，定义何时以及如何使用智能体工作流，确保人工监督是质量控制的核心。工程团队不仅应该接受提示方面的培训，还应该接受系统设计方面的培训。学习如何编排自主智能体、验证其输出以及将迭代审查循环集成到现有的 CI/CD 管道中至关重要。

设计良好的智能体系统将任务拆解为更小的模块，使智能体能够实时生成自包含组件，并能干净利落地集成到现有代码库中，同时不增加技术债务。许多组织还采用基于 RAG 的架构，因此智能体可以将其输出基于真实的文档、规范和代码存储库，从而减少幻觉并提高准确性。

组织还可以制定内部运行手册，对安全智能体的使用模式进行标准化，包括代码审查要求、测试预期和护栏配置。为工程师提供各种用例中成功部署的智能体式 AI 系统示例，可以为他们提供一个有用的起点。

最后，领导层必须营造一种鼓励实验的文化，同时保持问责制：智能体系统应加速开发，而非取代软件工程专业知识。通过这种方式，组织可以整合智能体工程，从而在不损害信任或代码质量的前提下，提高生产力并提升开发人员的能力。

随着人工智能辅助软件开发环境的继续演变，其术语也很可能会继续变化。虽然“智能体工程”为开发者如今如何与自主系统协作提供了一个更成熟、更准确的框架，但随着 AI 智能体能力的不断增强，其背后的实践也将继续发展。在未来的几年里，我们可以预期智能体系统将处理日益复杂的任务。

与此同时，开发者的角色将从单纯编写代码演变为设计、监督和塑造这些人工智能系统的行为。无论您是 AI 工程师、全栈开发人员、数据科学家，还是刚刚开启编码之旅的人员，核心原则或人工监督、系统设计素养以及高度判断决策能力仍是基础。

如果您不确定该从何着手，那就从小处着手。探索一个智能体工作流，无论是开源还是企业级，与您的团队一起对其进行测试，看看有什么可能性。