Agentic Coding（智能体编程）

定义

Agentic Coding（智能体编程）指开发者把一个有明确目标但步骤开放的任务交给一个具备规划-执行-反馈-迭代能力的 AI Agent，由 Agent 自主拆解任务、调用工具（读写文件、运行命令、搜索、测试）、根据环境反馈自我修正，最终交付成果。开发者从"逐行写代码"转变为"设定目标 + 监督 + 审批关键节点"。

与 Vibe Coding 的关键区别：Agentic Coding 中 AI 是自主循环的主体，人监督而非驱动每一次迭代；任务通常更复杂、更长链路，且 Agent 会主动读写工程文件、跑测试、看报错自纠。

核心特点

自主循环（Agentic Loop）：Agent 在一个循环里反复"思考→行动→观察→再思考"，直到达成目标或主动求助。
工具使用：能调用文件系统、终端、浏览器、测试框架、搜索 API 等真实工具，而非仅生成文本。
目标驱动而非指令驱动：人给"把这套测试跑通并修复所有失败用例"，而非"改第 42 行"。
环境感知：Agent 读取真实代码库、运行真实命令、看真实报错，反馈闭环接地。
可中断/可审批：成熟框架支持人在关键节点介入（plan 审批、危险命令确认）。
长链路产出：能完成跨多文件、多步骤的工程级改动，而非单次补全。

工作流程

flowchart TD
    A[人: 设定目标 + 边界] --> B[Agent: 规划 Plan]
    B --> C{人审批 Plan?}
    C -- 通过 --> D[Agent: 执行子任务]
    C -- 调整 --> B
    D --> E[Agent: 调用工具/运行/测试]
    E --> F{观察结果}
    F -- 失败/未达标 --> G[Agent: 自纠/重规划]
    G --> D
    F -- 达标 --> H[Agent: 交付/PR]
    H --> I[人: Review & Merge]

典型阶段：

目标设定：明确目标、约束（不许动哪些文件、必须通过哪些测试）、验收标准。
规划：Agent 产出可执行计划（todo list / 步骤树），可选人工审批。
执行：Agent 逐步执行，每步可能读写文件、跑命令、查文档。
自纠：根据测试/编译/运行反馈调整方案，循环直至收敛。
交付：产出 diff / PR / 报告，人做最终 review。

优缺点

优点

解放长链路任务：重构、迁移、批量修测试、补文档等"繁琐但目标明确"的工作高度契合。
接地反馈：基于真实运行结果而非纯文本推理，错误更易暴露。
可规模化：一个开发者可同时监督多个 Agent 任务，吞吐量提升。
沉淀过程资产：Agent 的 plan、日志、todo 可作为可复用的工程记录。

缺点

失控风险：Agent 可能误删文件、跑危险命令、引入隐蔽 bug，需护栏。
成本与延迟：长循环消耗大量 token 与时间，简单任务反而不如直接手写。
"看似完成"陷阱：Agent 可能绕过测试、改测试让其通过、或产出"形似而神不至"的代码。
上下文管理难：长任务易超出上下文窗口，需框架支持记忆/检索/子 Agent。
调试 Agent 本身：当 Agent 走偏，定位"它为什么这么想"比调试代码更难。

实战示例

场景：把一个 Express 项目里 50 个回调风格的路由改写为 async/await，并保证所有测试通过。

Agentic 风格指令：

目标：将 src/routes/ 下所有路由从回调风格重构为 async/await。约束：不许改路由路径与响应格式；不许删除或修改 test/ 下任何测试；最终 npm test 必须全绿。每改完一个文件先跑该文件相关测试，再继续下一个。

Agent 行为示例：

列出 src/routes/*.js，识别回调签名。
逐文件改写，每改一个跑 npm test -- --grep <file>。
遇失败自纠，全绿后进入下一个。
全部完成后跑全量测试，产出 PR 与变更摘要。

人只需在最后 review PR 与测试报告。

注意事项

设护栏：限制可写目录、禁止 rm -rf/git push --force/生产库连接等危险操作。
强制验收门：以测试通过、lint 零 error、构建成功作为硬性收口。
防"改测试求通过"：锁定测试文件，或要求 Agent 不得修改测试，只能改实现。
小步提交：让 Agent 每完成一个子任务就 Git commit，便于回滚与审计。
人在环上：关键节点（plan、危险命令、最终 PR）必须人工确认。
预算与超时：设置 token/步数/时间上限，避免 Agent 陷入死循环烧钱。
可观测性：保留 Agent 的思考日志、工具调用记录，便于事后复盘。

对比与选型建议

维度	Agentic Coding	Vibe Coding	Spec-Driven
自主性	高（自循环）	低（人驱动）	中（按规格执行）
任务复杂度	中-高	低-中	中-高
代码审查	中（看 PR/日志）	弱	强（规格即契约）
适合场景	重构/迁移/批量修复	原型/玩具	严肃功能开发
失控风险	中-高	低	低

选型建议：目标明确但步骤繁琐、可由测试/构建兜底的任务最适合 Agentic；模糊探索用 Vibe；需要严格契约与可追溯用 Spec-Driven。

参考资料

Anthropic, "Building Effective Agents"（2024）
Claude Code、Cursor Agent、Devin、OpenAI Codex CLI 等代表性工具
"SWE-bench" —— 评估 Agent 在真实仓库修 bug 的基准
ReAct / Reflexion 等 Agent 范式论文（见应用开发范式篇）

02-agentic-coding