#AI 工程概览

AI 工程关注的不是“让模型偶尔答对”，而是把模型能力变成可验证、可控制、可演进的软件系统。

#先分清三个术语

“AI 工程 → Agent 工程”是范围关系；“Agentic Engineering”描述的是用 Agent 工作，不等于 Agent 内部架构。

#五个设计面

下面的 L1～L5 是一张实用的排障与学习地图，不是标准组织发布的正式分层协议。实际系统里这些边界会交叠，尤其是 Harness 往往包住其他各层，而不是最后串行执行的一步。

#从一次调用到生产系统

一次可靠运行至少要回答六个问题：

1. 成功是什么，如何自动判断？
2. 模型当前能看到哪些可信信息？
3. 可以调用哪些工具，哪些操作有副作用？
4. 最大轮数、时间和费用是多少？
5. 失败后重试、回滚、转人工还是终止？
6. 是否留下可定位问题的 trace、状态和评测记录？

#模式落在哪一层

模式可以组合：Supervisor 的 worker 内部可以运行 ReAct；Plan-and-Execute 的每一步可以调用专门 Agent；最终结果可以再进入 Reflection。完整层级见 Agent 工程，模式细节见单 Agent与多 Agent。

#最小架构原则

• 能用一次模型调用解决，就不要增加循环。
• 能用确定性代码表达的流程，就不要把每个路由都交给模型。
• 单 Agent 工具过多、提示词开始充满条件分支时，再拆成多 Agent。
• 先定义评测、停止条件和权限，再提高自主性。
• 模型输出是“不可信提议”；工具执行、状态变更和权限判断必须由确定性代码接管。

#学习顺序

1. 先掌握 Prompt 与结构化输出，建立可测试的单次调用。
2. 再学习 Context，解决检索、记忆和长对话的信息选择问题。
3. 用 Loop 理解工具调用、反馈、预算和终止。
4. 用 Graph 表达分支、循环、人工介入与多 Agent 协作。
5. 最后用 Harness 补齐权限、沙箱、恢复、追踪、评测和部署。

#参考资料

• Anthropic：Building effective agents
• Anthropic：Effective context engineering for AI agents
• OpenAI：A practical guide to building agents
• LangGraph 文档
• Microsoft Agent Framework