KeyFrame內部研究專用

Agentic Engineering vs Software Engineering: Beyond Vibe Coding

IBM Technology and IBM Developer10 min英文
觀看原始影片

三句話摘要

軟體工程向智能體工程的轉變:從編寫指令到設計目標的工程范式升級。 開發者的未來不是被AI取代,而是從編寫代碼轉變為設計與監督AI系統的行為——這要求更深的工程品質意識,而非更少的工程專業。 1. 確定性邏輯向機率判斷的轉變

重點整理

  1. 1. 確定性邏輯向機率判斷的轉變

  2. 傳統軟體工程基於確定性:相同輸入得到相同輸出,每個步驟預先設定。智能體工程引入LLM與機率運算,系統能理解目標、自主規劃,這本質上改變了工程的運作方式。

  3. 2. 光譜式的逐步演進

  4. AI輔助編碼不是二選一,而是一個演進光譜。團隊通常從氛圍編碼(快速原型)開始,隨著複雜性增加逐步進入主動編碼與智能體工程,每個階段對應不同程度的自主權委託。

  5. 3. 智能體工程的真正瓶頸是驗證

  6. 智能體系統可能產生幻覺、誤解意圖、濫用工具,或生成表面正確但架構不良的方案。因此核心工程挑戰不在生成,而在於協調、約束與評估。

  7. 4. 人類監督的價值反而增加

  8. 常見誤解是認為智能體系統會消除工程專業需求。實際上相反:系統越自主,工程師越需要深度理解其行為、確保可靠性,從代碼執行者升級為系統監督者。

實用技巧與重點

  • 術語光譜(按自主權遞增):
  • 傳統軟體工程:開發者完全掌控流程
  • AI輔助編程(AI-Assisted Coding):自動補全、重構代碼片段,開發者主導
  • 氛圍編碼(Vibe Coding):用自然語言定義意圖,迭代塑造結果
  • 主動編碼(Agentic Coding):系統自主規劃、使用工具、編寫執行代碼、除錯
  • 智能體工程(Agent Engineering):工程師設計環境讓自主系統進行推理、協調、評估與動態適應
  • 智能體系統的風險類型:
  • 產生幻覺(hallucination)
  • 誤解使用者意圖
  • 濫用工具(tool misuse)
  • 技術上有效但架構糟糕的方案
  • 開發方法論建議:
  • 從小事做起,在當前工作流中使用工具
  • 注意工具的幫助點與問題點
  • 逐步發展與升級

結論

開發者的未來不是被AI取代,而是從編寫代碼轉變為設計與監督AI系統的行為——這要求更深的工程品質意識,而非更少的工程專業。

完整解析

多年來軟體工程的教學與職業路徑相對穩定,但隨著AI輔助編碼的出現,這一切正在改變。講者直指核心差異:傳統軟體工程本質上是確定性的,開發者需要寫出明確指令、控制執行流程,相同輸入必然得到相同輸出,每個邊界情況、錯誤處理、驗證步驟都必須手動預先設定。然而大型語言模型的出現引入了本質不同的東西——這些系統不僅能執行邏輯,更能理解目標。結合記憶、工具使用、規劃與反饋循環,就形成了真正的AI智能體。

這意味著工程投入方向的改變:傳統軟體工程是開發者編寫行為,智能體工程是開發者塑造行為。為了理清這個轉變的全貌,講者提出了一個有用的視角——AI輔助編碼並非非黑即白的選擇,而是一個漸進的光譜。光譜的一端是傳統軟體工程,開發者完全掌控;沿著光譜前進,首先到達AI輔助編程,工具可以自動補全代碼或生成代碼片段,但開發者仍主導整體實現;再往前是氛圍編碼,開發者用自然語言描述意圖,迭代塑造結果而非逐行手寫;然後是主動編碼,系統可自主規劃、調用工具、執行代碼並自我除錯;最後是智能體工程,工程師不只是建造軟體,而是設計整個環境讓自主系統能在約束下進行推理、協調與動態適應。

然而這並非簡單的線性替代,而是抽象層級的逐漸提升。團隊通常先用氛圍編碼快速原型,隨著風險與複雜性增加逐步進化。關鍵認知是,這種轉變並未移除人類,反而改變了人類的角色——從親自執行每個任務轉向統籌系統。最大的誤解是認為智能體系統會消除工程專業的需求,但事實相反。隨著系統自主性增加,人類監督的價值反而上升,因為開發者現在必須確保機率工作流程的可靠性。

這也解釋了為何挑戰的本質在改變。傳統軟體故障相對可預測,能直接追溯到某個條件或程式碼缺陷。但智能體系統可能表面正確卻做出錯誤決策,可能產生幻覺、誤解意圖、濫用工具,或生成架構不良的解決方案。因此工程瓶頸從「編寫每一行代碼」轉向「監督、約束、評估日益自主的系統」。這也警示了氛圍編碼的陷阱——雖然適合快速實驗,但若缺乏嚴格工程規範,容易積累技術債,最終變得難以維護。

4 min
AI 技術中文11月21日

Make.com Automation for Beginners: Your First Automation in 10 Minutes

AI Workflow Lab看原片 ↗
  • Make 的核心是「情景」(Scenario) 概念,由多個模組組成,每個模組執行一個應用程式的單一工作。當第一個應用程式中發生事件時,Make 自動將資料傳遞到下一個應用程式,就像一個從不睡眠也不遺忘的數位助手。
  • 映射 (Mapping) 是自動化的核心。使用者需要明確告訴 Make 每筆資料應該放在哪裡,確保表單欄位正確對應到試算表的列,以及郵件內容能夠動態插入客戶資訊。
編輯精選
企業管理英文11月21日

What Anthropic's $900 Billion Bet Means for You

Nate Herk看原片 ↗
  • 訂閱用戶成為上市公司的收益基礎:4000 萬名小客戶(含 Claude Pro、Max、Ultra 或 API 用戶)合計貢獻 25% 的收入,形成 Wall Street 下注的對象。用戶每次訂閱續約都直接影響 Anthropic 股價,
  • 循環融資制造生態系統性風險:Amazon、Google、Broadcom 與 Nvidia 等公司既是投資者、又是運算服務提供商,同時採購 Anthropic 服務,形成相互依賴的閉環。若任一環節需求放緩,所有參與者將同時受創,系統風險無法
編輯精選
AI 技術英文11月20日

6 Lessons I Learned From Installing AI in a $10M Business

Liam Ottley看原片 ↗
  • AI 負責前 80% 工作,人的品味決定最後 20% — 系統一開始生成的提案很基礎,直到 Isaac 的設計師介入決定風格、選擇產品後,品質才大幅提升。需要將品味優秀的員工的規則和案例提供給 AI,讓初版更接近他們的標準。
  • 聚焦單一瓶頸,不要全面改造 — 分析發現提案環節是最大痛點:每月 15-20 張圖、每張 10 小時、成本 $500-1000、9 成無結果。選擇同時改善速度、成本、品質的用例,才是 AI 真正發揮價值的地方。