AI Engineering Skills Map: Using coding agents

原文地址：https://x.com/AndrewYNg/status/2095890279865721217

AI 工程里最关键的能力之一就是会使用 coding agents。你要能让它们不仅负责写代码，也能处理非代码任务，比如数据分析、系统运维。这样你能把更多工作交给 agent，同时保留正确的把控。

随着 coding agents 的演进速度，相关能力也在快速变化，甚至比其他顶层 AI 工程技能变化还快。Claude Code、Codex、Cursor 这类商用代理，以及 OpenCode、Pi 这类开源代理，都在 harness 与模型能力上快速进步。要跟上如何使用 coding agents，必须持续做“实验—实践—学习”的循环。

我与多位顶级 AI 工程师访谈并结合团队实践后，发现一套稳定的高层工作流：

  1. 规划（Planning）
  2. 执行（Execution）
  3. 部署与监控（Deployment and monitoring）

这套流程和传统软件开发很像，只是把重心从“写代码”转到“决定做什么、设计架构、写清 spec、验证结果”。

1. 规划

规划通常包括：

  • 发散想法：可以包含调研、实验，以及快速理解现有代码库（如果有）
  • 写清晰的 spec：把需求、技术设计和架构写清楚
  • 生成执行计划：确认实现路径，安排里程碑

你还需要回看计划，检查关键假设，确认是否有安全问题、过度设计，或其他缺失。

2. 执行

执行是“构建、测试、验证”的过程，关键是在人机协作之间找到合适平衡。包括：

  • 让代理按合适自治程度去写代码
  • 通过自动化和人工校验输出是否满足要求

3. 部署与监控

部署通常需要先通过 CI/CD 或人工门禁。上线后可让代理监控日志、发现问题、提建议，并协助修复和再次部署。

工作流是迭代的

每一步的耗时不同，项目不同会有所变化，甚至某一步可以省略。比如一个 Greenfield 原型可能只用一段 prompt 来快速定义 spec；而有大量用户的 Brownfield 项目，往往需要更完整的 spec 编写和验证。

在这个循环里，后续环节常常会让你回到前面。比如验证失败时，要知道如何引导代理重构修复；监控发现问题后，也要知道如何让代理更新系统并重新发布。

要在这套流程里真正把 coding agents 用好，核心是五类能力：

  • 引导工作流
  • 赋予代理适当自治
  • 复核与评审
  • 自定义 agent 与其环境
  • 掌握 coding agent 基础

引导工作流

你要能在上述三步中切换得当：在哪一步花多少人力，何时需要加速迭代、何时需要回到前面的阶段。

这要求你对速度、成本、技术风险和人工投入的权衡非常清楚。于是你才能决定：

  • 前置研究和规划要做多少
  • 哪些关键动作必须由人类决策
  • 架构如何选型
  • 规划文档（比如 spec）要写到什么细节
  • 如何把大任务分解为可验证的小步骤

赋予代理自治

对每一步，你要决定代理自治度：

  • 你是实时对话式地盯着 agent 做？
  • 还是交给它更大块任务自己执行？

你需要管理上下文，保证关键学习、用户反馈和假设变化能够被传递。

当构建跨阶段时，要判断：

  • 什么时候要让多个代理并行处理任务
  • 是由你还是更高层代理来协调
  • 如何分配人类注意力，避免并行失控

你还要设置权限和安全闸门，让开发更快但不放任：避免泄露、数据丢失等风险。

复核输出

代理输出是有不确定性的，不能“交给它就完事”。你的复核流程决定最终结果。

你要按任务特征设计验证，包括行为验证和功能验证；有些场景也要跑用户流程。为了证据清晰，可以让代理输出截图。

对于定性/行为评估，可用 eval 集合配合 LLM-as-a-judge。

你还要决策哪些测试自动化。某些流程可全自动化，让代理自检并确认完成；但你也要确认测试是否真的和目标一致。

另外，你要做 agentic code review，并用 AI 的安全与架构审计补位。AI 评审不够时，再插入人工复查（包括代码行为复查，必要时做小范围代码复审），并持续评估如何把这类复查进一步自动化。

最后，你要把部署后的验证、监控和事件处理也纳入代理协作。

自定义 agent 与其环境

你不仅要会用现成代理，还要能持续改造 agent 和上下文环境：

  • 集成技能、插件、MCP 服务；
  • 在不需要时及时移除冗余能力；
  • 用 hook 自动化重复流程（如触发 review 或 CI/CD）。

你还要维护 agent 工作环境：更新 AGENTS.md / CLAUDE.md，保留代码库关键背景、关键架构假设、代码风格、数据访问模式等信息。

你要能跨多会话、跨并行代理保持上下文连续，积累经验教训。比如每次运行后复盘，记录哪些决策有效、哪些路径失败。

在团队场景，还要解决不同开发者的代理上下文一致性问题。

coding agent 基础

最后，做出高质量决策，必须懂代理机制：

  • 代理如何检索和搜索代码库
  • 上下文窗口怎么管理
  • 工具调用、MCP、子代理等操作对上下文和表现的影响
  • 代理如何通过 LLM + harness 形成

这会让你不把代理当黑箱，从而更快识别失败模式：

  • 过度工程化简单问题
  • 缺失验证导致的结论偏差
  • 过早收敛导致的目标偏离
  • 可能破坏文件或生产数据的危险动作

理解这些原理后，你能更清楚地给代理“正确的处方和上下文”。当你监控一轮运行时，也更容易判断它偏离目标并及时介入。

社交平台常把“用 coding agents”简化为一句：让它长时间自动运行、烧掉几千万 token。现实中，这种超长任务很容易失真，成本和产出并不总成正比。

目前更有效的是高度迭代、可干预的使用方式。高水平判断介入，往往比纯粹放任要更靠谱。

会用 coding agents 的人，会成为更有效率的 builder，也更容易进一步“驾驶整体构建过程”。