S
SkillNav

Simon Willison 启动“Agentic Engineering Patterns”项目,系统总结编码 Agent 实战方法

深度Simon Willison2026-02-23T17:43:02+00:006 分钟阅读
Simon Willison 启动“Agentic Engineering Patterns”项目,系统总结编码 Agent 实战方法

2026 年 2 月 23 日

我启动了一个新项目,用于收集并整理 Agentic Engineering Patterns——也就是一套编码实践与模式,帮助我们在正在到来的“编码 Agent 开发新时代”里,尽可能拿到更好的结果。

我用 Agentic Engineering 来指代“借助编码 Agent 构建软件”:例如 Claude Code 和 OpenAI Codex 这类工具。它们的关键特征在于,不仅能生成代码,还能_执行_代码——这让它们可以自行测试并迭代,而不需要人类监督者逐轮手把手指挥。

我理解的 vibe coding,采用的是它最初的定义:你几乎完全不关心代码本身的编码方式。如今这个词常常和“非程序员使用 LLM 写代码”联系在一起。

而 Agentic Engineering 处在这条光谱的另一端:职业软件工程师利用编码 Agent 放大既有专业能力,从而提升效率并加速交付。

这个新领域有太多值得学习和探索的内容!我此前已经在 ai-assisted-programming 标签 下发布了大量内容(目前 345 篇,还在增加),但整体还比较松散。我的新目标是把“如何用好这套东西并获得好结果”这个问题,尽量在一个地方讲清楚。

接下来我会在博客里持续推进这个项目,以一组“章节化”的模式来展开,形式上松散借鉴了 1994 年那本经典 Design Patterns: Elements of Reusable Object-Oriented Software

我今天先发布了前两章:

  • Writing code is cheap now 讨论了 agentic engineering 的核心挑战:产出初版可运行代码的成本几乎降到零后,这会如何改变我们个人与团队原有的工作直觉?
  • Red/green TDD 介绍了“测试优先开发”如何以极少额外提示,帮助 Agent 写出更简洁、更可靠的代码。

我希望接下来保持每周新增 1-2 章。至于什么时候结束,我也说不好——要覆盖的内容实在很多!

由我亲自撰写,而非 LLM 代笔

我一直有一条非常明确的个人原则:不会以自己的名义发布 AI 生成的文章。这个原则同样适用于 Agentic Engineering Patterns。我会用 LLM 来做校对、补充示例代码以及其他各种辅助任务,但你在这里读到的文字都会由我本人写成。

Chapters and Guides

严格说来,Agentic Engineering Patterns 不完全是_一本书_,但它确实有点“书”的形态。我会在自己的网站上,以一种新的内容形态来发布它,我把这种形态称为 guide。一个 guide 由多个 chapter 组成,而每个 chapter 本质上都像一篇博客文章:日期存在但不那么突出,并且它被设计为可长期更新,而不是在首次发布后就冻结。

在博客里发布“常青内容(evergreen)”一直是个难题,guides 和 chapters 就是我给出的解法。我已经摸索这件事有一段时间了,而这个格式看起来有机会长期成立。

如果你对实现细节感兴趣,可以查看 GuideChapterChapterChange 这几个 model 的代码,以及对应的 Django views。其中几乎全部代码,都是由我通过 iPhone 访问网页版 Claude Code,运行 Claude Opus 4.6 编写完成的。

查看原文 ↗

相关文章

如何评估 Coding Agent 的 Skills:LangChain 实战方法
深度LangChain·3月5日
如何评估 Coding Agent 的 Skills:LangChain 实战方法

LangChain 分享了为 Codex、Claude Code、Deep Agents CLI 构建并评估 Skills 的实践经验,核心是通过可复现的任务与清晰指标验证 Skills 是否真正提升 Agent 表现。文章给出一套四步评估流程:搭建干净测试环境、定义约束任务与指标、设计并拆分 Skills、对比不同配置下的性能。实测显示,加入 Skills 后 Claude Code 任务完成率显著提升,同时借助 LangSmith 的 tracing 与评测能力可以更快定位失败原因并迭代优化。

10 分钟
GitHub 与 Andela 经验:让全球开发者真正获得 AI 机会
深度GitHub·3月5日
GitHub 与 Andela 经验:让全球开发者真正获得 AI 机会

GitHub 与 Andela 在过去两年为全球 550 万人才网络推进结构化 AI 培训,已有 3,000 名工程师通过 AI Academy 接受 GitHub Copilot 实战训练。项目将 AI 学习嵌入真实生产流程,而非脱离业务的实验,帮助开发者更快理解遗留系统、提升信心并提高效率。文章指出,AI 技能差距的本质并非能力不足,而是工具、导师与实践环境的可获得性差异。

10 分钟