AI 原生软件开发生命周期 · 全景图HTML
以 mattpocock/skills 的 37 个技能为蓝本,把 AI 原生开发生命周期拆成六个阶段:想法对齐、规格化、拆票、实现与双轴评审,逐段讲清输入、操作与产出,并用四种失败模式的修复映射、上下文卫生规则与真实项目证据,说明为何编排要薄、纪律要厚。
以 mattpocock/skills 的 37 个技能为蓝本,把 AI 原生开发生命周期拆成六个阶段:想法对齐、规格化、拆票、实现与双轴评审,逐段讲清输入、操作与产出,并用四种失败模式的修复映射、上下文卫生规则与真实项目证据,说明为何编排要薄、纪律要厚。
Simon Willison 的 《Agentic Engineering Patterns》(智能体工程模式) 是一份面向软件工程师的实践指南,重点探讨在 Coding Agents(如 Claude Code、OpenAI Codex、Cursor 等能自主生成并执行代码、运行测试的智能体)普及的新时代,如何高效、高质量地进行软件开发。
一、 核心理念:什么是智能体工程?
Agentic Engineering(智能体工程) 明确区别于 Vibe Coding(氛围编程):
1. 观念重塑:“代码变得极其廉价”
传统软件工程的核心约束是代码编写成本昂贵(写几百行优质代码需要数小时或数天),因此衍生出了大量的预先设计、工时评估与严格的 YAGNI(You Aren't Gonna Need It)原则。 在 Agent 时代:
逐节点拆解 Anthropic《The AI-Native SDLC Playbook》:六阶段闭环、工件驱动的自动交接、skill 与 hook 双层控制、成对度量,附 11 张手绘 SVG 结构图与反模式清单。
AI 正在重塑软件全生命周期:从补全插件演化为协作智能体。本报告基于 2024H2–2026H1 公开数据,拆解 Agentic Engineering 与规格驱动开发的范式跃迁,覆盖七阶段 AI 落点、多智能体编排、工具生态、量化收益与风险治理。
研究编码智能体开源项目的最佳实践
基于 Kilo Code 的架构特征和当前编码智能体领域的生产实践 ,以下是系统研究此类项目的 方法论框架:
阶段 1:宏观定位(Why & Where)
| 研究维度 | 关键问题 | Kilo Code 的启示 |
|---|---|---|
| Fork 溯源 | 上游是谁?核心差异点?社区分裂原因? | Kilo 从 Roo Code 分叉,差异集中在 Cloud 集成和商业化功能 |
| 生态位 | 是「IDE 插件」「CLI 工具」还是「平台」? | Kilo 是「IDE 扩展 + CLI + Cloud」的三位一体 |
| 许可策略 | 是否存在 BSL/SSPL 等限制性条款? | MIT 许可证,无商业限制 |
| 模型绑定 | 是否硬编码单一提供商? | 模型中立是核心卖点,避免供应商锁定 |
阶段 2:架构解构(How)
建议的代码阅读路径(以 Kilo 为例):
src/extension/activate.ts(VS Code 生命周期)、src/extension/api.ts(IPC 外部 API)Cline/Roo/Kilo 主类,理解 Plan → Act → Verify 的循环McpHub 如何集成外部工具(文件系统、终端、浏览器)// kilocode_change 快速定位增量代码Kilo Code
简介
Kilo Code 是一个开源的一站式智能体工程(Agentic Engineering)平台,旨在通过 AI 智能体(Agents)自动化软件开发全流程。它是目前 GitHub 上非常活跃的项目,核心定位是作为开发者的 AI 辅助引擎,帮助构建、部署和迭代代码。

安装
# npm
npm install -g @kilocode/cli
# Or run directly with npx
npx @kilocode/cli
Kilo CLI

主要功能

Kilo项目核心能力分析
基于项目文档和代码结构分析,Kilo是一个开源的AI编码智能体平台,主要用于加速软件开发过程。它是OpenCode项目的fork版本,增强为全面的agentic工程平台。以下是其核心能力的详细分析:
很难说清楚在过去两个月里,人工智能让编程发生了多大的变化:它不是以「往常一样逐步进展」的方式渐进发生的,而是就在去年十二月突然发生的。他指出,由于更高质量模型具备了「长期连贯性和执着性」,编程智能体「在十二月之前基本还不好用,但从那之后基本就能用了」。来源: Simon Willison 的网络日志
这四个术语是当前大模型应用开发的核心范式,从指令设计、信息管理、生成式编程到自主智能体构建,层层递进,共同构成了 AI 应用开发的技术栈。
以下是通俗易懂的拆解:
1. Prompt Engineering (提示工程)
这是最基础的技能,重点在于指令的质量。 如果把 AI 比作一个极其博学但有时听不懂人话的实习生,Prompt Engineering 就是学习如何写出完美的“任务说明书”。
2. Context Engineering (上下文工程)
随着模型处理能力增强,大家发现“怎么说”固然重要,但 “给它看什么资料” 更重要。这就是上下文工程。
Andrej Karpathy:氛围编程(vibe coding)
我称之为“氛围编程”(vibe coding)——这是一种全新的编程方式:你完全沉浸在感觉中,拥抱指数级的效率提升,甚至忘掉代码本身的存在。
这之所以成为可能,是因为大语言模型(比如配合 Sonnet 使用的 Cursor Composer)正变得过于强大。而且,我直接通过 SuperWhisper 和 Composer 语音对话,几乎连键盘都不碰。我会提一些极度偷懒的要求,比如“把侧边栏的间距缩减一半”,因为我根本懒得去代码里找位置。我永远点“全部接受”(Accept All),再也不看代码比对(diffs)了。遇到报错信息,我直接原样粘贴回去,一句话都不解释,通常这样就能修好。
代码库的增长速度超出了我以往的理解能力,如果真要搞懂,我得花好长一段时间去通读。有时大模型修不好某个 Bug,我就绕过去,或者要求进行随机改动,直到 Bug 消失。对于那些周末折腾的练手项目来说,这种方式还算凑合,但也确实挺离谱的。
我正在开发一个项目或 Web 应用,但这感觉并不像在编程——我只是观察、动嘴、运行、粘贴,然后它居然大部分时间都能跑通。
Andrej Karpathy:智能体工程(agentic engineering)
很多人转发这条推文,以此纪念“氛围编程”(vibe coding)诞生一周年。简单回顾一下:
安德烈·卡帕西(Andrej Karpathy)发布了一篇微型散文(推文),提到自己买了一台 Mac Mini(“Apple Store 的店员告诉我这东西卖得像热饼一样快,大家都很困惑”),用来折腾 Claws:
我对直接运行 OpenClaw 确实还有点怀疑……但我非常喜欢这个概念。我认为,就像 LLM 智能体(LLM agents)是建立在 LLM 之上的新层级一样,Claws 现已成为建立在 LLM 智能体之上的全新层级。它将编排、调度、上下文、工具调用以及某种持久性提升到了一个新的水平。 环顾四周,既然这种高层级的理念已经很明确,许多更小型的 Claws 已经开始涌现。例如,粗略浏览一下,NanoClaw 看起来非常有趣,它的核心引擎只有大约 4000 行代码(它既能装进我的脑子里,也能装进 AI 智能体的“脑子”里,因此感觉可控、可审计且灵活),并且默认在容器中运行所有内容。…… 总之,还有很多其他的例子——比如 nanobot、zeroclaw、ironclaw、picoclaw(这些前缀真让人发笑)。…… 目前我还不能 100% 确定我最终的配置会是什么样子,但 Claws 绝对是 AI 技术栈中一个令人兴奋的全新层级。
安德烈对新鲜术语有着极强的敏锐度(比如之前他提出的 “氛围编码 / vibe coding” 和 “智能体工程 / agentic engineeri
Peter Steinberger (OpenClaw 的创造者) 分享了核心主张 “拒绝套路,直接对话”。他认为当前的 AI 智能体(尤其是 GPT-5-Codex)已足够强大,无需过度依赖 RAG、复杂的子智能体或繁琐的规格文档等“炒作”手段。

最近我在这里变得安静了许多,因为我正埋头于最新的项目。Agent 智能体工程(Agentic engineering)已经变得如此强大,以至于现在它几乎包揽了我 100% 的代码编写。然而,我看到仍有许多人在解决问题时,还在搞那些华而不实的复杂套路,而不是专注于把活干完(Getting sh*t done)。
这篇文章的灵感部分来自昨晚在伦敦参加的 Claude Code Anonymous 交流会,部分原因是从我上次更新工作流以来已经过了“AI 领域的一年”(实际才几个月,但变化巨大)。是时候同步一下进度了。
所有的基本理念仍然适用,所以我不会再提上下文管理等简单的事情。你可以阅读我的 《AI 开发最佳工作流》 作为入门。
背景与技术栈
我独立工作,当前项目是一个约 30 万行代码(LOC)的 TypeScript React 应用,包含 Chrome 扩展、CLI、基于 Tauri 的客户端以及基于 Expo 的移动端。我使用 Vercel 托管,一个 PR(拉取请求)大约在 2 分钟内就能交付新版本网页进行测试。
Peter Steinberger (OpenClaw 的创造者) 分享了他在使用 AI 智能体构建软件方面的最新经验,特别是关于如何以推理速度交付代码,以及他对模型(如 GPT 5.2 和 Opus)的看法。
自五月以来的变化
“氛围编程”(Vibe Coding)在今年取得的进步令人不可思议。大约在五月份时,我对某些提示词(prompts)能直接生成可运行的代码感到惊讶,而现在,这已经成了我的预期。我现在的代码交付速度快到不真实。从那时起,我消耗了大量的Token。是时候更新一下心得录了。
这些智能体(Agents)的工作方式很有趣。几周前有人争论说,为了感受糟糕的架构,人必须亲手写代码,使用智能体会导致脱节——我完全不同意这种观点。当你花足够多的时间与智能体合作,你就会准确地知道某件事应该花多少时间。当 codex 回来时如果未能一次性解决问题,我立刻就会产生怀疑。
我能创建的软件数量,现在主要 受限于推理时间 和 硬核思考。坦率地说——大多数软件并不需要硬核思考。大多数应用只是把数据从一个表单搬运到另一个表单,也许存进某个地方,然后以某种形式展示给用户。最简单的形式是文本,所以默认情况下,无论我想构建什么,它都始于 CLI(命令行界面)。智能体可以直接调用它(CLI)并验证输出——从而闭环。
模型转变
真正解锁像工厂一样构建软件能力的,是 GPT 5。
没有找到匹配的文章