Agentic 软件工程总览¶

AI Coding 2.0 的核心不是“让模型多写几行代码”，而是把软件工程流程本身 agent 化。

1. 什么是 Agentic Software Engineering¶

传统 AI Coding 更像：

代码补全
对话式改代码
辅助生成测试和文档

Agentic Software Engineering 更像：

从需求或 issue 出发
先澄清与规划
再主动检索仓库上下文
选择工具执行
运行测试与校验
输出可审查、可追踪的证据

一句话概括：

从“AI 帮我写代码”升级为“我设计一个能完成工程任务的 agent 工作流”。

2. 5 层能力栈¶

Text Only

L5 治理层：权限、审计、allowlist、回滚、上线边界
L4 评测层：测试、benchmark、code review、LLM-as-Judge、人工验收
L3 执行层：计划执行、工具调用、命令运行、补丁生成、PR产出
L2 上下文层：仓库结构、检索、文件粒度、记忆、摘要、pinned context
L1 任务层：需求澄清、Spec、任务拆解、完成定义

很多人只停在 L3，但真实岗位越来越看重 L1/L2/L4/L5。

3. 为什么它正在成为岗位能力¶

2025-2026 公开产品线和岗位信号已经足够明确：

OpenAI Codex 把 agent 放进隔离执行环境与终端工作流
GitHub Copilot 把 coding agent、agentic review、enterprise controls 做成正式产品
通义灵码、CodeBuddy 都在公开强调 Quest/Craft、Skills、MCP
国内岗位开始直接写 上下文工程、评测、MCP / Skills、AI Coding

这意味着：

AI Coding 不再只是“使用某款编辑器”
而是变成真实的工程与招聘能力

4. 典型岗位长什么样¶

岗位	核心工作	你要会什么
AI Coding 工程师	研发代码生成/修改/审查系统	上下文工程、工具设计、评测、review
开发者工具工程师	做 IDE/CLI/平台侧 AI 能力	仓库感知、MCP、插件、工作流
研发效能/DevEx	用 agent 提升团队交付效率	PR 审查、规范、门禁、质量平台
Agent 平台工程师	构建 agent 执行与控制层	Tool calling、memory、sandbox、治理

5. 你至少要做出什么证据¶

如果你想把这条线写进简历，至少拿出一个项目，并且补齐这 6 类证据：

任务输入：需求、issue、Spec 或 PR 目标
上下文策略：怎么检索仓库、怎么压缩上下文
工具设计：读文件、按符号跳转、搜索、执行命令、测试
执行结果：修改了哪些文件，为什么这样改
评测结果：正确性、回归、延迟、成本、失败样例
风险与治理：哪些操作被限制、如何回滚、如何审计

6. 在本仓库里怎么学¶

建议顺序：

7. 面试里最容易被问到的点¶

一个中大型仓库不能全塞进上下文时，你怎么做？
为什么要从 tools 演进到 MCP，再到 Skills / Subagent？
长任务如何做摘要？什么信息必须 pinned？
你的 agent 怎么验证改动没把系统搞坏？
如果 agent 可以执行命令，你怎么做权限与审计？

如果这些问题你答不上来，只会“我平时用 Cursor 很多”，竞争力是不够的。