【上下文工程/Agent】上下文工程与 Agent 设计的新趋势：

吴恩达（Andrew NG)：一项关键的 AI 工程技能，就是会使用编码智能体（coding agents）。 你越擅长指挥它们 —— 无论是写代码，还是分析数据、管理系统这类非代码的活 —— 能干成的事就越多。 编码智能体更新换代很快，所以这项技能本身也日新月异，迭代速度比大多数顶级 AI 工程技能都要快。专有智能体（如 Claude Code、Codex、Cursor）和开源智能体（如 OpenCode、Pi）在框架和模型两个层面都在大步前进。想跟得上它们的使用方法，就得不断地实验、动手搭建、持续学习。 我们采访了几十位顶级 AI 工程师，也复盘了自己团队用编码智能体的经验，发现用它们开发软件有一套一致的高层工作流，关键环节如下： 1. 规划。 这一步包括：（i）头脑风暴 —— 可能要查资料、做实验、摸清现有代码库（如果有的话）；（ii）写一份规格说明，把需求、技术设计和架构都写清楚，再据此生成执行计划。写完后你可能还要回头审视计划，追问关键假设是否成立，检查有没有安全隐患、过度设计之类的问题。 2. 执行。 这一步负责构建、测试和验证，关键是在智能体自主和人工把关之间找到平衡。具体来说：（i）让智能体去写代码，同时给它设定合适的自主程度；（ii）通过自动化测试和 / 或人工检查来验证产出。 3. 部署与监控。 这一步（i）把产品部署上线，必要时用 CI/CD 流水线或额外的人工关卡做门控；（ii）用智能体盯日志、排查问题，提出并执行改进。 这套高层工作流，和编码智能体出现之前写软件的方式大同小异。不同的是，现在的重心已经从写代码转移到了：决定做什么、设计架构、写规格说明、验证产出。 各环节要花多长时间，不同项目差别很大，有些环节甚至可以跳过。比如，从零起步（greenfield）的原型项目，规格说明可能就在一段快速写就的提示词里草草带过；而一个用户众多、已有存量代码（brownfield）的项目，规格说明就得花大力气去写、去验证。另外，这套工作流高度迭代，熟练的开发者懂得什么时候该根据后一环节的反馈，回到前面的环节重来。比如验证失败了，他们知道怎么引导智能体重写、修错；监控发现问题了，他们知道怎么让智能体更新系统、重新上线。 要在这样的工作流里用好编码智能体，需要掌握五项关键技能： - 指挥工作流—— 知道怎么推进每个环节； - 放权给智能体—— 让它有恰当的自主性； - 审查产出—— 把好质量关； - 定制智能体与环境—— 为它配好工具和上下文； - 吃透编码智能体的底层原理—— 知己知彼。 1. 指挥工作流。 你要熟悉上面每个环节该怎么走，还要决定每个环节投入多少人力、多少智能体工作量，以及什么时候回到前面的环节迭代。这要求你吃透速度、成本、技术风险和人力投入之间的权衡，才能定下来：前期调研和规划做多深；哪些关键工作必须由人把关；架构怎么选；规格说明这类规划文档写到多细；以及怎么把任务拆成一个个可验证的步骤。 2. 放权给智能体。 把智能体用到工作流的各个步骤时，你要选择它的自主程度：是全程盯着、交互式地来回调整，还是把一大块工作直接交给它？什么时候该定下一个明确目标，让它自己循环直到搞定？此外，你得替它管好上下文：随着构建进入不同阶段，你要判断什么时候把关键的学习心得、用户反馈和假设 —— 包括构建途中改变过的假设 —— 记录下来，供智能体后续使用。你还要决定什么时候同时拉起多个智能体，把任务拆开并行跑 —— 由人来做总指挥，还是让更高层的智能体来编排 —— 以及如何在多个并行智能体会话之间分配自己的注意力。你也要懂得怎么安全地运行智…

给公司装一堆 AI，组织方式不变，可能更乱。 这不是吓你。是我听完一期访谈之后，越想越觉得扎心的一句话。 这期节目是小宇宙上张小珺访谈曾鸣。曾鸣是谁，战略学者，曾任阿里巴巴集团总参谋长。他谈的是 Agent 创业，但聊着聊着，话题从模型能力滑到了组织方式。他有一个判断：AI 产业会经历基础设施、应用爆发、原生应用三个阶段，今天占据优势的公司，未必能跨过下一道门槛。 先说清楚，这是他的推演，不是定论。互联网的历史不能直接变成 AI 的日历。但对正在用 AI、做 Agent 的人，它提供了一个很具体的检查角度：你现在优化的流程，到底在解决哪个阶段的问题？ 我先把我自己的理解钉在这儿：先拆任务，再改组织。别一上来就换架构图，先把活拆成 Agent 能接的块。 为什么这么说？ 曾鸣在访谈里拿 AOL 打比方。AOL 曾帮人们接入互联网，大模型则让人们更容易接入智能。他把模型公司理解为未来的 AI 云公司，基础设施价值巨大。但提供接入能力，不等于拥有后来的应用入口。接入还不够，还