Agentic 编程的思考方式

本教程不教你如何构建 AI agent。

它教你如何使用它们——通过理解其底层机制，把你手边的 agentic 编程工具用到极致。

目标读者是开发者。如果你想从"跟 agent 聊天碰运气"进阶到"精准控制 agent 的输出质量"，这里就是起点。

一切都是上下文

Agentic 编程的所有复杂机制，从工具调用到多 agent 协作，都服务于一个目标：

在正确的时机，把正确的信息，放进上下文。

LLM 没有记忆。你给它什么，它就看到什么。本教程的每一节，都在从不同角度剖析"上下文如何流动"这件事。这里所有的能力——工具、协议、编排——本质都是上下文工程。

行业把这件事叫 Context Engineering（上下文工程）——从"写好一条 prompt"演进到"设计动态系统管理整条上下文供给链"。而整个用 agent 工具做软件的工程实践，正在被称为 Agentic Engineering——上下文工程是其中最核心的子领域，也是本教程的主线。

很多开发者的起点是 vibe coding——凭直觉给 agent 几句话，看它能不能搞定。

简单任务上够用。但任务一复杂，随机性就暴露了：同样的描述今天能跑明天翻车，一个项目没问题另一个项目全是 bug。

问题往往不在 agent 能力不足，而在你喂进去的上下文没有经过设计。

从 vibe coding 到上下文工程，不是技术升级，是思考方式的切换——从"试试看能不能行"到"设计上下文让它必须行"。

	Vibe Coding	Context Engineering
做法	凭直觉给 agent 几句话	设计上下文供给链
简单任务	够用	同样搞定
复杂任务	随机——今天能跑明天翻车	可复现、可预测
核心区别	"试试看能不能行"	"设计让它必须行"

下一节《上下文 — 第一原则》会用两轮 HTTP 请求把这件事拆开给你看。

导航

按上下文主线分三段：基础概念、上下文的载体、串联与进阶。

基础概念

• 上下文 — 第一原则：为什么 LLM 没有记忆，以及为什么这决定了一切。
• Agent、用户与 LLM API：三个角色的分工与协作循环。

上下文的载体

• System Instructions：每次 API 请求中注入的系统级 prompt，定义 agent 的身份和规则。
• 内置工具：Agent 硬编码提供的能力——读写文件、执行命令、搜索代码。
• MCP — 外部能力扩展：把外部工具定义注入上下文，让 agent 不改代码就能获得新能力。
• Slash Commands：用户预定义的 prompt 模板，一键把固定上下文注入对话。
• Skills — 领域知识模块：可按需加载的行为模式，运行时动态注入的 System Instructions。
• Agent-Native CLI Tools：输出结构化数据而非人类可读文本的命令行工具——agent 的天然盟友。
• Hooks & Plugins：在上下文流动的关键节点拦截、修改、记录——最细粒度的行为扩展。

串联与进阶

• 知识喂养：如何把你的项目知识系统性地注入 agent 的上下文。
• 编排模式：顺序执行、并行分支、路由分发——agent 的不同干活方式。
• Sub Agent — 上下文隔离：派生独立的上下文环境来处理子任务，结果摘要回传。
• Human-in-the-Loop：你在工作流中的角色——何时放手，何时介入。
• Peer-to-Peer Agents：从层级委派到平级协作——上下文的双向流动。

实战

• In Practice：演示操作。