# AI领域的各种Engineering是什么意思？

2025 年初 Andrej Karpathy 发了一条推文，把"让 AI 随便写代码"命名为 Vibe Coding。一年后这个词被写进维基百科；又过了一年，业界开始批判它"只管生、不管养"。与此同时，SDD、Harness Engineering、Loop Engineering、Graph Engineering、Coordination Engineering 这些新名词你方唱罢我登场。它们之间到底是什么关系？哪一个是真正的下一代，哪一个是营销包装？

## 一条主线：瓶颈在往外移

AI 工程范式的演进有一个清晰规律：每当模型能力过线，瓶颈就从模型本身向外层转移一层。

2023 年大家卷提示词，因为模型第一次能听懂复杂指令；2025 年发现提示词写得再好，模型看不到关键上下文也白搭，于是 Context Engineering 兴起；2026 年又发现上下文给对了，环境约束不对照样翻车，于是 Harness 成为热点；到了 2026 年中，单智能体循环再精致也扛不住复杂任务，于是多智能体编排和图结构成为新战场。每一次转移都不是否定前一层，而是把前一层的成果纳入更完整的体系。

## 时间线：从 RAG 到 Graph Engineering

**2020.12 — RAG：给模型接外脑**

Facebook AI 的 Patrick Lewis 等人提出 Retrieval-Augmented Generation，让模型生成前先检索外部知识。这是企业知识库、文档问答的底层范式。

**2022.11 — ChatGPT：对话式 AI 爆发**

大模型从实验室进入大众视野，AI 编程从"代码补全"走向"对话式生成"。

**2023 — Prompt Engineering + Copilot 普及**

"怎么写提示词"成为第一课，GitHub Copilot 让 AI 辅助编码成为日常。

**2024.11 — MCP：工具接口标准化**

Anthropic 发布 Model Context Protocol，试图像 USB-C 一样统一 AI 与外部工具、数据的连接方式。2025 到 2026 年被 Cursor、Claude Code 等大量采用。

**2025.02 — Vibe Coding：Karpathy 的"氛围编程"**

用自然语言描述需求，全盘接受 AI 生成代码。门槛极低、Demo 极快，但维护成本极高——"没人知道代码在做什么"。

**2025 年中 — Context Engineering：从"怎么写"到"给什么"**

Karpathy 公开支持 Context Engineering 取代 Prompt Engineering。关注点变成代码库上下文、Git 历史、依赖关系、检索文档等"模型看到的信息环境"。

**2025-2026 — SDD：规范驱动开发**

作为 Vibe Coding 的反面出现：先写 Spec，再让 AI 按规范生成。OpenSpec、Spec Kit、BMAD 等工具相继出现；2026 年 6 月 LG CNS 与 Cline 发布企业级 Spec Driven 平台，腾讯 CodeBuddy SPEC 模式也获得工程圈认可。

**2026.02 — Harness + Agentic Engineering**

Mitchell Hashimoto 提出 Harness Engineering，OpenAI 用"3 人 5 个月零手写代码交付百万行"引爆；Karpathy 同阶段提出 Agentic Engineering，主张"99% 时间不再直接写代码"。

**2026.04 — Coordination Engineering：openJiuwen 的"协同工程"**

华为支持的 openJiuwen 社区发布 JiuwenClaw，将 Harness Engineering 的"下一跳"定义为 Coordination Engineering，聚焦多智能体团队编排、任务调度、通信协议与经验沉淀。

**2026.06 — Loop Engineering：单智能体自循环**

Peter Steinberger 提出"别再给 Agent 写提示词，去设计提示 Agent 的循环"，把关注点从单次输出转向"发现-规划-执行-验证"的持续循环。

**2026.07 — Graph Engineering：多节点组织成图**

Steinberger 一句"还在聊 loops 还是已经 shift to graphs 了？"引发热议；Hamel Husain 发文"Loop Engineering Is Dead. Enter Graph Engineering"。核心是把多个 Agent、工具、人组织为可执行有向状态图，强调确定性、可观测、可恢复。

**2026.07 — Agent Skills GA + JiuwenSwarm 鸿蒙 PC 版**

微软正式发布 Agent Skills for .NET；openJiuwen 推出 JiuwenSwarm 鸿蒙 PC 统一工作台，并定义 HITS（Human in the Swarm）人机协同范式。

## 关键概念速查

| 概念 | 核心含义 | 代表人物/组织 | 现状 |
|---|---|---|---|
| RAG | 生成前先检索外部知识，把企业私有数据注入模型上下文 | Patrick Lewis / Facebook AI | 企业标配 |
| Prompt Engineering | 优化单条指令以提升模型输出质量 | 社区共识 | 基础能力 |
| Context Engineering | 设计模型运行时的信息环境 | Karpathy / Gartner | 已内化 |
| SDD / Spec Coding | 以规范为唯一事实源驱动代码生成 | OpenSpec / Spec Kit / BMAD | 企业采纳中 |
| Harness Engineering | 为 AI 构建约束、护栏、反馈闭环 | Hashimoto / OpenAI | 2026 最热 |
| Agentic Engineering | 人指挥 AI 团队，而非直接写代码 | Karpathy | 概念热 |
| Loop Engineering | 打磨单个智能体"发现-规划-执行-验证"的自循环 | Steinberger | 被 Graph 吸纳中 |
| Graph Engineering | 把多智能体、工具、人组织为可执行有向状态图 | Steinberger / Husain / LangGraph | 2026.07 最热 |
| Coordination Engineering | 多智能体团队编排、协作经验沉淀与自演进 | openJiuwen / 华为 | 厂商推动 |

## 几个容易混淆的概念

### SDD 死了吗？

没有。SDD 在被"做薄"，而不是被抛弃。OpenAI 的 Harness 实验中，早期进展缓慢的根因就是"环境规范不够明确"；他们把 AGENTS.md 从百科全书压缩到约 100 行索引地图。规范没有消失，只是从厚重的需求文档变成机器可读的轻量约束。

### Harness、Agentic、Loop、Graph 是什么关系？

它们不是替代关系，而是分层关系：

- Harness 偏"环境工程"——给单个 AI 搭规则、测试、沙箱、可观测性；
- Agentic 偏"人机关系"——人从写代码变成指挥 AI 团队；
- Loop 解决"单个智能体如何持续工作"；
- Graph 解决"多个智能体、工具、人如何组成可观测、可恢复、可扩展的系统"。

Loop 没有死，它退居成 Graph 里某个节点内部的运行方式。Graph 的确定性来自普通代码 + 现实锚点（测试真过、钱真到账、用户真留），而不是模型互审。

### Coordination Engineering 与 Graph Engineering 有什么区别？

两者都关注多智能体协同，但侧重点不同。Coordination Engineering（openJiuwen 提出）更强调团队成军、动态协商、经验沉淀与自演进，工程载体是 Agent Team、Team Skills、Skills Hub 和自演进机制。Graph Engineering 更强调显式控制流、状态管理、节点边界和可观测性，工程载体是有向状态图和持久化执行（如 LangGraph 的检查点、时间旅行调试）。可以把 Coordination Engineering 看作 Graph Engineering 在"组织行为学"方向上的延伸。

## 扩散：AI 工程概念地图

**RAG**

对话开场讨论的 RAG 架构本质：把企业知识库、文档先切块、建索引，生成前按需召回相关片段，再让模型基于证据作答。当前最优路径仍是"评测 → 数据治理 → 检索升级 → 必要时 GraphRAG/多 Agent"。

**MCP**

Anthropic 提出的 Model Context Protocol，目标是统一 AI 与外部工具、数据源的连接方式。类比 USB-C：接口统一了，设备和应用才能互换对接。

**Function Calling**

大模型输出结构化参数调用外部工具，是 Agent 和 MCP 的基础能力。没有它，AI 只能"说话"，不能"动手"。

**Vibe Coding**

Karpathy 命名的"氛围编程"：用自然语言描述需求，全盘接受 AI 生成代码。Demo 快、维护难，通常需要 SDD + Harness 来兜底。

**LLM Knowledge Base**

Karpathy 2026 年提出的"演进式 Markdown 知识库"思路：人写、AI 辅助维护的长期知识资产，绕过传统 RAG 的复杂检索链路。

**Evals / LLM-as-Judge**

用评测集衡量 AI 系统效果。没有评测，任何范式改进都是玄学。SDD、Harness、Graph 都离不开它。

**HOTS / HITS**

openJiuwen 在 JiuwenSwarm 中定义：HOTS（Human on the Swarm）是人站团队外指挥；HITS（Human in the Swarm）是人带身份进团队，与 Agent 同流程协作。

**AI-Native**

从设计之初就把 AI 作为核心参与者，而不是把 AI 塞进已有流程。RAG 改造、AI 编码、智能客服等都在这个范畴。

**Better Harness**

Qoder 团队开源的 Coding Agent 工作流分析工具。核心差异是"不唯配置，只看实效"：所有 Finding 必须附带可追溯证据、具体影响、最小修复边界和验证方法，严格保留证据边界，不用其他平台数据填补缺失证据。

## Graph Engineering 的落地陷阱

Graph 不是银弹。2026 年 7 月这一波讨论里，有几个常见误区需要警惕。

### 堆节点不等于高级

最大误会是"节点越多越像工程化"。真正关键的不是节点数量，而是生成与验证是否分离。Verifier 节点必须用干净上下文专门挑刺，而不是让作者审自己。

### 模型互审不是现实锚点

多个同源 AI 会愉快地互相同意。硬确定性只能来自两块：普通代码（格式校验、跑测试、算预算）和现实锚点（测试真过、钱真到账、用户真留）。纯模型互审无现实锚点 = "更有组织的幻觉工厂"。

### 工作图可以快变，角色图必须慢变

任务怎么拆（工作图）可以高频调整；但谁能动数据库、谁能绕审批（角色图）必须可审计、慢变更。把两者混为一谈会带来安全和合规风险。

### 成本会指数级上升

Anthropic 的数据显示，多智能体方案 token 消耗可达单智能体的 15 倍，token 用量能解释 80% 的性能方差。Graph 的额外开销只对"高频 + 高价值 + 要治理"的任务划算。

**选型红线：** 先用最简单方案，几行 LLM API 能搞定的别上框架；框架（LangGraph / Bedrock / ADK 等）会盖住底层提示，反增调试难度。Anthropic 官方建议是：从 Prompt Chaining 开始，逐步升级到 Routing、Parallelization、Orchestrator-Workers、Evaluator-Optimizer，最后才考虑完整 Agent。

## 现状：概念很热，落地很朴素

2026 年的真实工程实践，比这些名词朴素得多。大多数团队的主流做法是：

1. 轻量规范：仓库根目录一份精简的 AGENTS.md（100 行以内），只放 AI 容易忽略的信息；
2. AI 编码代理：Claude Code、Codex、Cursor 等 agent 式工具作为默认工作流；
3. 测试/CI 当护栏：自动化测试、linter、CI 门禁兜住 AI 产出；
4. 可选 MCP/Skill：需要接外部系统时，用 MCP 或 Agent Skills 统一工具接口；
5. 渐进上 Graph：单 Loop 跑到第三轮还搞不定，再考虑拆节点、加 Verifier、接现实锚点。

Harness、Agentic、Loop、Graph、Coordination 这些词大厂和开源社区在推，但离成为"微服务""DevOps"那样有共识的标准还差得远。普通团队不必追名词，抓住"轻量规范 + AI 代理 + 测试护栏 + 反馈闭环"这条骨架就够了。



2025 年初 Andrej Karpathy 发了一条推文，把"让 AI 随便写代码"命名为 Vibe Coding。一年后这个词被写进维基百科；又过了一年，业界开始批判它"只管生、不管养"。与此同时，SDD、Harness Engineering、Loop Engineering、Graph Engineering、Coordination Engineering 这些新名词你方唱罢我登场。它们之间到底是什么关系？哪一个是真正的下一代，哪一个是营销包装？

AI领域的各种Engineering是什么意思？

2025 年初 Andrej Karpathy 发了一条推文，把"让 AI 随便写代码"命名为 Vibe Coding。一年后这个词被写进维基百科；又过了一年，业界开始批判它"只管生、不管养"。与此同时，SDD、Harness Engineering、Loop Engineering、Graph Engineering、Coordination Engineering 这些新名词你方唱罢我登场。它

鸿蒙架构师

人工智能

编程语言

算法

AI工程范式演进揭示技术发展规律：从Prompt Engineering到Graph Engineering，AI开发瓶颈不断外移。2026年热点聚焦多智能体协同，Graph Engineering成为新趋势，但落地需警惕堆节点、模型互审等陷阱。轻量规范+AI代理+测试护栏仍是企业主流实践。

2026上云采购 | AI焕新·智启新局

lexiang

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

AI领域的各种Engineering是什么意思？-腾讯云开发者社区-腾讯云

AI领域的各种Engineering是什么意思？

AI领域的各种Engineering是什么意思？

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐