从Vibe Coding到Agentic Engineering：2026开发者该升级的方法论

Tue, 28 Jul 2026 10:00:00 +0800

一、引子：Karpathy 的"落后感"

2026 年 4 月，红杉资本 AI Ascent 大会。

Andrei Karpathy 站在台上，说了一句让全场安静下来的话：

「我从没觉得自己如此落后过。」

14 个月前，正是他给一种编程方式起了名字——Vibe Coding。当时原话是「完全沉浸在氛围中，忘记代码，只管 accept」。那条推文引爆了整个开发者圈，所有人都在说：编程的门槛消失了。

14 个月后，同一个人站出来说：这套方法论，终结了。

不是 Vibe Coding 没用，而是它不够了。

Karpathy 用了个新词——Agentic Engineering。

从 Vibe Coding 到 Agentic Engineering，中间到底发生了什么？为什么连发明者自己都在升级方法论？

这篇文章拆解这个进化过程。三阶段、五大支柱、一份你现在就能用的落地清单。

二、Vibe Coding 是什么？为什么它曾经很香

先回顾一下定义。

2025 年 2 月，Karpathy 描述了这种工作方式：

1

prompt → accept → run → ship

你跟 AI 说「帮我写个登录页」，它吐出代码，你看一眼觉得行，accept，运行，部署。全程不仔细看代码细节，沉浸在「氛围」里。

这有错吗？没有。

它的本质是 floor-raising——提升下限。 以前不会编程的人，现在能造出原型。以前需要一周的功能，现在一天搞定。

Google 2026 年 5 月发布的《The New SDLC With Vibe Coding》白皮书给了数据：85% 的专业开发者在用 AI 编程智能体，51% 每天用，预估 41% 的新代码由 AI 生成。

不是少数极客在玩，是主流在用。

Vibe Coding 最香的场景：

场景	为什么适合	举例
原型开发	快速验证想法，质量要求低	Hackathon、内部 demo
个人项目	自己用，bug 自己修	个人工具、脚本
已知模式的模板代码	AI 擅长重复模式	CRUD、API 接口、配置文件
学习新技术栈	边生成边学，比看文档快	新框架上手

一个有意思的发现是：生产力提升最大的团队，不是那些让 AI 写所有代码的团队，而是知道「什么时候该用 Vibe Coding、什么时候不该」的团队。

关键词是「知道什么时候用」。

这就是天花板的起点。

三、天花板在哪？三个致命问题

Vibe Coding 的问题不是「不好用」，而是「用多了会出事」。

三个致命缺陷，一个比一个隐蔽。

问题一：没有 evals——你不知道 AI 产出的质量

你让 AI 写了一段代码，运行通过了。好。

但是：

边界条件覆盖了吗？
并发场景处理了吗？
安全漏洞有没有？
性能合不合格？

不知道。因为没有评估机制。

「能跑」和「质量达标」之间隔着一道鸿沟。 Vibe Coding 的默认状态是：跑通就算完成。这在原型阶段没问题，在生产环境是灾难。

问题二：没有 observability——agent 跑偏了你不知道

当你把越来越多的工作交给 AI，一个新问题出现了：你看不见它在干什么。

它改了哪些文件？为什么选这个方案而不是那个？中间做了几次重试？哪一步卡住了？

如果你不知道这些，你就是在盲开。

问题三：安全和可维护性无人负责

AI 生成的代码，谁对安全负责？

AI 生成的代码，三个月后谁来维护？

这两个问题在 Vibe Coding 的范式里没有答案。 因为 Vibe Coding 的核心动作是「accept」——接受产出，不做深度审查。安全和可维护性恰恰需要深度审查。

数据说话

一个普遍现象是：大多数团队能看到 agent 在干什么（observability），但只有一半左右的团队在系统性地评估产出质量（evals）。

这个差距就是 Vibe Coding 到 Agentic Engineering 的鸿沟。

能看见，但不能控制。能产出，但不能保证质量。

四、Agentic Engineering——Karpathy 的新范式

什么是 Agentic Engineering？

Karpathy 的核心定义是两个词：ceiling-preserving（保护上限）。

Vibe Coding 是 floor-raising——让更多人能参与。

Agentic Engineering 是 ceiling-preserving——确保质量不滑坡。

具体来说：

「我 99% 的时间不再直接写代码，而是在指挥智能体干活。但作为人类，我对最终质量负全责。」

关键词是「负全责」。

不是让 AI 随便搞。是工程化地管理 AI 写代码的过程。

三大支柱

Agentic Engineering 不是一个工具、一个框架，而是一套方法论。核心由三大支柱支撑：

支柱一：Spec（规范）

告诉 agent「做什么」和「不做什么」。这不是写 prompt，是写工程规格书。

具体形式就是 AGENTS.md、SOUL.md 这类规范文件——项目架构、编码规范、测试要求、禁止操作，全部写清楚。（怎么写，我在上一篇AGENTS.md 指南里详细拆过。）

支柱二：Evals（评估）

系统性地衡量 AI 产出的质量。不是「看起来行就行」，是「过了评估才算完成」。

可以是自动化测试，可以是 checklist，可以是 code review 流程——形式不重要，有没有才重要。

最简单的 eval：写一个 checklist，AI 每次产出后逐条打勾。

检查项	通过
功能符合需求	✅/❌
错误处理完整	✅/❌
无安全隐患	✅/❌
有测试覆盖	✅/❌
代码风格一致	✅/❌

5 条，5 分钟，但能把 80% 的问题拦在合并前。

支柱三：Observability（可观测性）

看得见 agent 在干什么。日志、trace、审计——知道每一步的输入输出，知道为什么做了这个选择。

不是为了监控，是为了事后复盘。出了问题能追溯，做得好能复用。

一张表看清区别

维度	Vibe Coding	Agentic Engineering
核心理念	提升下限（floor-raising）	保护上限（ceiling-preserving）
人的角色	accepter——接受产出	owner——对质量负责
代码审查	可选，甚至跳过	必须，有流程
产出质量	靠运气	靠工程
适用场景	原型、个人项目	生产环境、团队协作
核心动作	prompt → accept	spec → execute → evaluate → ship

五、三阶段进化全景

回头看，AI 编程方法论经历了三个清晰的阶段。

第一阶段：Vibe Coding（2025.02 —）

关键词：氛围编程，快但不可控。

Karpathy 定义，社区狂热。prompt → accept → ship。门槛降到地板，质量也跟着降到地板。

这一阶段的贡献是巨大的——它证明了 AI 可以写代码，而且写得还不错。它让整个行业开始认真对待 AI 编程。

但它也暴露了一个根本问题：快不等于对。

第二阶段：Context Coding / Harness Engineering（2025.06 —）

关键词：AGENTS.md + 规范约束，让 AI 在框架内工作。

2025 年中，社区开始使用 Context Engineering 这个概念，强调给 AI 提供完整的上下文而非简单 prompt。开发者开始写规范文件、定义规则、约束 AI 的行为边界。从「给 AI 一句话」变成「给 AI 一套规则」。

这一阶段的核心贡献是：把 AI 从「自由发挥」拉回到「有规矩地干活」。

我在之前的AGENTS.md 深度指南中详细拆过这一阶段的方法论。简单说：花 30 分钟写好规范文件，比花三天对比工具强十倍。

但 Context Coding 也有天花板：它管住了单个 AI 的行为，但管不住多个 AI 的协作，也没有系统性的质量验证机制。

第三阶段：Agentic Engineering（2026.04 —）

关键词：多 agent 协调 + evals + observability。

Karpathy 在 AI Ascent 大会上正式提出。不只是「给 AI 规则」，而是「工程化管理整个 AI 工作流」。

多个 agent 并行工作，人类定义目标和质量标准，evals 验证产出，observability 监控过程。

类比

阶段	类比	核心动作
Vibe Coding	手工作坊——一个人从头干到尾	accept
Context Coding	流水线——标准化流程	constrain
Agentic Engineering	智能工厂——多条线并行，人管质量	orchestrate

从「一个人干活」到「标准化流程」到「多条线并行」。

你现在在哪个阶段？大多数人停在 1.0 或 2.0。

六、你现在该怎么做？五条实操建议

不是理论，是现在就能做的事。

1. 不要抛弃 Vibe Coding，升级它

Vibe Coding 不是垃圾，是地基。

原型开发、学习新技术、探索性编码——这些场景仍然适用。问题不是 Vibe Coding 本身，而是把它当终点。

正确姿势：用 Vibe Coding 快速产出，然后用工程化手段验证。

2. 给你的 AI 工具加 evals

哪怕最简单的 checklist。

每次 AI 产出后，花 5 分钟逐条检查：

功能是否符合需求？
错误处理是否完整？
是否有安全隐患？
是否有测试覆盖？
代码风格是否一致？

不要觉得「看起来行就行」。「看起来」是最不靠谱的质量标准。

3. 学会写 AGENTS.md

Context Engineering 是 2026 年的必修课。

不管用什么工具——Claude Code、Cursor、Codex、Gemini CLI——底层逻辑都一样：AI 的产出质量，70% 取决于你给了它什么上下文。

30 分钟写一个 AGENTS.md，效果比换三个工具强十倍。不知道怎么写？参考 Codex CLI 的官方仓库——GitHub 超过 10 万 Star，它的 AGENTS.md 就是范本。

4. 建立 agent 可观测性

不需要复杂的基础设施。

最简单的方式：让 AI 在工作时输出日志——做了什么、为什么这么做、遇到了什么问题。

进阶方式：用专门的可观测性工具，记录每个 agent 的执行路径、决策过程、耗时分布。

能看到，才能改进。看不到，只能祈祷。

5. 从单 agent 到多 agent 协作

这是 2026 年真正拉开差距的地方。

一个人指挥一个 AI，是 Context Coding。

一个人指挥多个 AI 各司其职，是 Agentic Engineering。

具体怎么做：

1
2
3
4
5


一个 agent 负责写代码
一个 agent 负责 review
一个 agent 负责测试
一个 agent 负责部署
人类负责定义目标和验收标准

不需要一开始就搭完整的 pipeline。从「写代码 + review」两个角色开始，逐步扩展。

七、结论：地基之上，才是上层建筑

Vibe Coding 不是终结，是起点。

它证明了 AI 可以写代码，让整个行业开始认真对待 AI 编程。但「能写」和「写得好」之间，隔着 Agentic Engineering。

2026 年，「会用 AI」不够了。

要「会工程化管理 AI」。

三个核心转变：

1
2
3


从 accept 一切 → 只 accept 过了 eval 的
从看不到过程 → 每一步可观测
从单打独斗 → 多 agent 协作

Karpathy 说「从没觉得自己如此落后过」，然后用 14 个月定义了一套新方法论。

你呢？

不需要 14 个月。从今天开始做三件事：

写一个 AGENTS.md（30 分钟）
加一个 5 条 checklist 的 eval（5 分钟）
让 AI 输出工作日志（1 分钟）

36 分钟，你就能从 Vibe Coding 1.0 迈进 Agentic Engineering 的大门。

数据来源：Addy Osmani (Google)《The New Software Lifecycle》(2026.5)、Karpathy 红杉资本 AI Ascent 演讲(2026.4)

关注「varkm」，一起学习，一起成长。

Vibe Coding 方法论

Mon, 01 Jan 0001 00:00:00 +0000

Vibe Coding 方法论

概述

Vibe Coding 是 Andrej Karpathy 在 2025 年 2 月提出的编程范式，核心理念是用自然语言描述需求，让 AI 处理实现细节，开发者专注产品决策。

核心理念

“有一种新的编程方式我叫它 vibe coding，你完全跟着感觉走、拥抱指数曲线、甚至忘了代码本身的存在。” — Andrej Karpathy, 2025

本质：不是"AI 帮你写代码"，而是思维模式的根本转变——从"我怎么实现"变成"我要什么结果"。

方法论三阶进化

阶段	核心理念	典型操作	问题
1.0 氛围编程	“忘记代码，只管描述”	“帮我写个登录页”	代码不可控，质量靠运气
2.0 Context Coding	上下文工程决定产出质量	AGENTS.md / CLAUDE.md / 规则文件	需要前期投入，但 ROI 极高
3.0 Agentic Engineering	Agent 自主拆解+执行+验证	给目标，Agent 自己规划、编码、测试、提交	需要信任但也要审查机制

RCCA 框架

维度	含义	示例
Role（角色）	明确 AI 的身份	“你是一个资深 Python 后端工程师”
Context（上下文）	提供必要背景	“这是一个电商项目，用 FastAPI+PostgreSQL”
Capability（能力）	界定 AI 的权限	“你可以读写项目文件、运行测试”
Action（行动）	说清具体任务	“实现用户注册接口，包含邮箱验证”

关键点：Context 不是越多越好，而是精准。给 AI 100 行背景描述，不如给它访问你代码仓库的权限。

工具横评

工具	出品方	定位	核心优势	适用场景
OpenCode	开源社区	全能型	160k+ Star，75+ 模型支持，隐私优先	日常开发、多模型切换
Claude Code	Anthropic	质量之王	深度理解、复杂重构、长上下文	架构设计、代码优化
Codex	OpenAI	速度之王	快速原型、多任务并行	原型验证、批量处理
ZCode	智谱 AI	国产旗舰	GLM-5.2 原生适配、多 Agent 协作	国内团队、中文需求

工作流设计

初级：单 Agent 工作流

1

需求描述 → AI 生成 → 人工验证 → 迭代优化

适用：简单功能、脚本编写、一次性任务

进阶：多 Agent 协作

1

规划 Agent → 编码 Agent → 测试 Agent → 审查 Agent

适用：复杂项目、团队协作、质量要求高

实战建议

场景	推荐工具	工作流
快速原型	Codex	单 Agent，快速迭代
架构设计	Claude Code	规划 Agent + 编码 Agent
日常开发	OpenCode	单 Agent + 人工审查
团队协作	ZCode	多 Agent 流水线

避坑指南

误区	正确做法
“AI 写的代码不用看”	必须人工审查，特别是安全相关逻辑
“Prompt 越长越好”	精准 Context > 冗长描述
“一个工具打天下”	组合使用，各取所长
“Vibe Coding = 不学编程”	基础功底仍是底线

最佳实践

从小处开始：先用 AI 写脚本，再逐步扩展到核心功能
建立验证习惯：每段 AI 代码都要跑测试
积累 Prompt 库：把好用的 Prompt 模板化
组合使用工具：Codex 出原型，Claude Code 优化，OpenCode 日常维护

Karpathy on Kalend's Blog

从Vibe Coding到Agentic Engineering：2026开发者该升级的方法论

一、引子：Karpathy 的"落后感"

二、Vibe Coding 是什么？为什么它曾经很香

三、天花板在哪？三个致命问题

问题一：没有 evals——你不知道 AI 产出的质量

问题二：没有 observability——agent 跑偏了你不知道

问题三：安全和可维护性无人负责

数据说话

四、Agentic Engineering——Karpathy 的新范式

三大支柱

一张表看清区别

五、三阶段进化全景

第一阶段：Vibe Coding（2025.02 —）

第二阶段：Context Coding / Harness Engineering（2025.06 —）

第三阶段：Agentic Engineering（2026.04 —）

类比

六、你现在该怎么做？五条实操建议

1. 不要抛弃 Vibe Coding，升级它

2. 给你的 AI 工具加 evals

3. 学会写 AGENTS.md

4. 建立 agent 可观测性

5. 从单 agent 到多 agent 协作

七、结论：地基之上，才是上层建筑

Vibe Coding 方法论

Vibe Coding 方法论

概述

核心理念

方法论三阶进化

RCCA 框架

工具横评

工作流设计

初级：单 Agent 工作流

进阶：多 Agent 协作

实战建议

避坑指南

最佳实践

相关链接