昨日（2026 年 6 月 25 日），旧金山一场小型闭门活动“Agentic Engineering”汇聚了约 30 位 AI 工程与开发者领域的实践者，围绕 AI 代理在编码与工程实践中的真实落地展开讨论。

三位演讲者的洞见尤为突出，分别代表了当前 Agentic Coding 工具链中最具代表性的三个方向：

• • OpenClaw：可观测技能系统
• • Claude：交互式模型能力探索
• • Codex：长时程结构化执行

这三者罕见同台，共同探讨 Agentic Coding 从“提示驱动”向“工程化结构化工作流”转型的前沿图景。

1. OpenClaw：用提示历史追踪建立可观测性（@steipete）

@steipete 说，其在 OpenClaw 中强制要求贡献者将代码变更的提示历史作为技能（skill）提交，以此在海量变更中提取有效信号，避免“fix this”这类模糊提示生成动辄上万行的低质 PR。

这一做法关注的是当前 AI 编码代理的最大痛点之一——黑箱式变更。

当 AI 基于模糊指令生成大量代码时，审查者难以追溯决策路径，容易引入隐性复杂度与技术债。将提示历史结构化并持久化，本质上是为 Agentic 系统引入可追溯的状态机，让每一次变更都成为可审计、可复现的节点。

这与结构化工作流设计的核心原则高度一致：可观测性优于单纯的自主性。它为后续的代码审查、回滚与知识沉淀提供了坚实基础，是工程化落地的必备基础设施。

2. Claude：通过交互式使用发现“未知的未知”（@trq212）

@trq212 分享了将 Claude 用作视频编辑工具的实践：在生成视觉内容的同时，模型还能交互式地教授色彩分级等专业知识，而这原本是用户未曾预料的能力。

这一洞见揭示了当前最强模型的涌现潜力。

单纯的“提示-输出”模式往往局限于已知任务边界，而交互式、迭代式的使用能让模型在执行过程中主动暴露其能力边界与隐藏技能。

工程实践中，这意味着我们不应把模型当作静态工具，而应视其为可共同探索的协作伙伴。通过设计良好的交互循环（例如边做边问“为什么这么处理色彩？”），开发者能系统性挖掘模型的未知能力边界。这也印证了从“写好提示”到“设计好交互工作流”的范式转变。

3. Codex：前期人力规划 + 设计原则注入 + 结构化目标（@georgepickett）

@georgepickett 分享了其核心实践：在让 Codex 长时间（数天）自主运行之前，投入大量人力精心制定计划、提前回答所有澄清问题，并将 Ousterhout《软件设计哲学》中的编码原则转化为可复用的技能（skill），作用于一个经过精心设计的 /goal。

这是本次活动中最具工程化深度的洞见。

它明确区分了人类战略角色与AI 执行角色：人类负责定义清晰的约束、设计哲学与成功标准（通过 /goal 结构化输出），AI 则在稳固框架内进行规模化实现与迭代。

Ousterhout 原则（深模块、复杂度增量控制、信息隐藏、易读性优先等）被显性化为技能注入，解决了 AI 容易生成“能跑但难以维护”代码的顽疾。

这正是结构化工作流设计的典范——前期重投入规划与原则固化，后期实现高自治与低维护成本。它有效避免了长时程 Agent 运行中错误累积的风险，为生产级 Agentic Coding 提供了可复制的路径。

三者互补，共同指向 Agentic Coding 的工程化方向

这三个洞见形成了完整的闭环：

• • OpenClaw 提供了可观测与可追溯的基础设施（解决“黑箱问题”）；
• • Claude 展示了交互探索未知能力的模型潜力（解决“能力边界问题”）；
• • Codex 确立了人类战略规划 + 设计原则注入 + 结构化目标的工作流范式（解决“可控性与质量问题”）。

三者共同印证了一个核心判断：Agentic Coding 的工程化前沿，已从单纯追求模型能力或提示技巧，转向系统性构建结构化工作流。其关键在于：

• • 将人类的高价值认知（规划、澄清、设计哲学）前置；
• • 通过技能（skills）、结构化目标（/goal）、历史追踪等机制实现可观测与可控；
• • 在清晰框架内释放 AI 的执行与涌现能力。

这一转变标志着 Agentic Coding 正从实验性探索迈向可规模化、可维护的生产实践。活动主办方表示，相关视频即将上线，值得所有关注 AI 工程落地的开发者持续跟踪。

参考来源：Deedy Das（@deedydas）于 2026 年 6 月 26 日发布的 X 帖文及讨论，记录了该场活动的核心 takeaways。后续会发布这场活动的视频。