Agentic Engineering六条最佳实践
这是一套从基本事实出发演绎推导的AI协作方法论。
核心思想：将AI Agent视为软件工程的深度协作者，通过Context Engineering和工程纪律，在保持质量前提下大幅提升研发效能。
三条公理
意图转化链的信息损耗：软件工程的本质是把人脑中的模糊意图，经需求→设计→编码→测试逐步精确化为可执行代码。每步都有损耗，AI改变了各环节的损耗率，但不消除链本身。
LLM本质特征：三个并列特性——输出由上下文决定（对私有知识掌握为零）、输出是概率性的（同样输入可能不同输出）、工作记忆有限且易失（超长上下文导致Lost in the Middle）。
人类认知是稀缺资源：AI时代的瓶颈是人的审查和决策带宽上限。最优策略是最优化工程师认知带宽的分配。
五个假设审视
代码喂给AI就能理解项目：信噪比和结构化程度才决定上下文价值，不是代码越多越好
AI不适合复杂系统：不是AI不够聪明，是关键知识没被结构化提供给它
AI提效=更快写代码：源头损耗传播最远，AI应贯穿全链条降低信息损耗
通过测试就能提交：测试只验行为层，无法捕获设计偏差和规范违反
AI应像人一样独立完成整个任务：概率性+记忆有限=错误指数累积，全自主不可靠
六条最佳实践
Context Engineering：Spec-First编码前先产出结构化spec锚定意图、Docs as Code文档与代码同仓版本化、渐进式披露按需加载而非一次性灌入
人机分工（乔哈里窗）：开放区极致自动化、盲区显式注入私有知识、潜能区利用AI通用知识补人类短板、未知区协同迭代探索
AI全链条参与：需求阶段是引导者（结构化提问帮人显式化意图）、设计阶段是协作者（分析权衡提出替代）、编码阶段是执行者，每阶段产出自然成为下阶段高质量上下文
小任务+多层验证：约束越密集步长越短，防止错误指数累积；Spec Review→Code Review→自动化测试→集成测试，验证层次与意图转化链对齐
Knowledge as Code：编码规范、设计原则编码为结构化Skills，版本化管理。AI成为知识分发载体，每个成员协作时自动获得团队最佳实践加持
Error-Driven反馈闭环：犯错→诊断根因→沉淀为持久化Rule/Skill→预防复发。自上而下编码已有知识+自下而上从错误中生长新知识，构成完整知识生命周期
更多细节，戳：从第一性原理思考 Agentic Engineering
