夜雨聆风Vol.006 | AI技术分享
从 Vibe Coding 到 Agentic Engineering，企业真正要解决的，已经不是“能不能快速生成代码”，而是“能不能建立一套以 Spec 为边界、以 Harness 为验证、以 Human-in-the-loop 为底线的可持续交付体系”。
今天最不稀缺的，是几分钟做出一个 Demo，然后开始口嗨；最稀缺的，是把一个系统稳定送进生产，然后能够持续迭代。AI 正在重塑软件工程，但它改变的首先是“生成效率”，而不是“交付纪律”。从 Vibe Coding 到 Agentic Engineering，真正决定 AI 工程价值的，不是模型能生成多少代码，而是团队能否建立一套以 Spec 为边界、以 Harness 为验证、以 Human-in-the-loop 为底线的可持续交付体系。
01
AI 最先改变的，是“生成速度”
必须承认，AI 对软件开发的第一轮冲击非常真实，而且极具颠覆性。
过去，一个产品想法从界面原型到功能骨架，可能需要产品、设计、前后端来回协作几天；今天，很多事情在一个 IDE、一个对话框、一个 Agent 工作流里，就能迅速完成第一版。
AI 最擅长的，是把“开始”变得非常轻。
它能快速生成页面，快速补齐样板代码，快速搭起主流程，快速给出一套“看起来已经差不多”的解决方案。这也是 Vibe Coding 最让人上头的地方：它压缩了从 0 到 1 的启动时间，让“做一个 Demo”变得几乎没有门槛。
于是，很多团队自然会得出一个判断：既然第一步已经这么快了，后面的交付是不是也会一起变快？
现实通常不是这样。
因为 AI 压缩掉的，主要是最容易被看见、最适合展示的那一部分；而真正决定企业系统能不能上线、能不能长期运行、能不能承受真实业务压力的，往往是那些不在演示里发光、却在生产里决定生死的部分。
02
真正难的，从来不是做出来，而是交付进去
企业级系统的复杂度，从来不体现在“能不能先跑起来”，而体现在“能不能长期正确地跑下去”。
一个 Demo 只要主流程能通，就足以令人兴奋；但一个生产系统要面对的，是海面下那 80% 的真实复杂度：
权限是否严密 数据是否一致 状态是否可追踪 异常是否可处理 风险是否可审计 高并发下是否稳定 跨系统集成是否可靠 出了问题能否快速定位、回退、修复
这些问题，不会因为 AI 会写代码就自动消失。
恰恰相反，如果系统是靠“感觉差不多”堆出来的，它们只会在后期以更高成本集中爆发。很多团队的共同体验是：前面几天像在飞，后面几周像在填坑。
因为纯靠直觉驱动、由 AI 自由发挥生成出来的代码，本质上往往是局部成立、整体脆弱的。它可以很快搭出一个壳，但很难天然长出企业真正需要的边界、秩序、约束和责任链条。
Demo 不需要为错误负责，生产环境必须负责。
而企业真正购买的，从来不是“会动的演示”，而是“可被信任的交付”。
03
从 AI Coding 到 Agentic Engineering，复杂度不降反升
如果说早期的 AI Coding 主要还是“人主导、AI 辅助”，那么今天很多团队已经进入下一个阶段：Agentic Engineering。
在这个阶段里，AI 不只是补全代码，而是开始承担更完整的工程任务，比如：
理解目标 拆解步骤 调用工具 修改多文件 执行脚本 运行测试 根据结果继续迭代
这当然是效率上的巨大升级。但与此同时，它也把风险从“代码片段质量问题”升级成了“任务链路偏航问题”。
一个只会生成函数的模型，最多写出一段烂代码；一个能自主行动的 Agent，如果没有边界约束，就可能在错误前提上一路执行，把小问题放大成系统级问题。
所以从 AI Coding 走向 Agentic Engineering，真正变化的不是“AI 更强了”这么简单，而是工程的焦点变了：过去我们关心的是，AI 会不会写代码；现在我们更应该关心的是，AI 在什么边界内行动、依据什么规则行动、出了偏差如何被发现和纠正。
这才是企业落地的关键。
04
没有 Spec，Agent 只会把不确定性放大
很多团队以为，AI 足够强，就能自行补齐需求中的模糊地带。这对 Demo 有时成立，对企业交付往往是灾难。
因为 Agent 的行动力越强，模糊输入带来的放大效应就越明显。如果没有清晰的规格定义，所谓“自动化推进”，本质上只是更快地偏离目标。
所以，企业要真正用好 AI，必须从“凭感觉开发”转向 Spec-Driven Development。
这里的 Spec，不只是文档，更不是写给人看的形式主义。在 AI 时代，Spec 是给人和 Agent 共同使用的约束系统，至少要回答四个问题：
第一，业务上到底要解决什么问题
包括目标用户、业务规则、权限边界、关键流程、异常处理、验收标准。让 AI 理解“为什么做”以及“哪些东西不能乱碰”。
第二，系统应该如何组织
包括模块边界、数据模型、状态流转、接口契约、依赖关系。让 AI 不是随意拼接，而是在一个有结构的框架里生成和修改。
第三，Agent 可以怎么执行
包括能调用哪些工具、能改哪些范围、哪些步骤必须人工确认、失败后如何中断。让 AI 的行动被放进轨道，而不是放任其“自我发挥”。
第四，什么才叫真正完成
包括测试要求、性能下限、安全红线、日志要求、可观测要求。让 AI 知道，完成不等于跑通，而是达到可交付标准。
没有 Spec，AI 能生成很多东西；但没有 Spec 的生成，最终很难沉淀成真正可靠的系统。
05
没有 Harness，所谓自动化只是“自信地试错”
如果说 Spec 解决的是“应该做什么”，那么 Harness 解决的就是“怎么证明它做对了”。这是很多团队最容易忽视、但又最决定成败的一层。
因为 Agent 不只是会输出，它还会行动。一旦开始行动，就必须有一套围绕它运行的验证闭环。否则，所谓自动化，往往只是把试错过程包装得更流畅。
一个真正有价值的 Harness，至少应该具备几种能力：
1. 有边界的执行环境
Agent 能看什么、改什么、调什么，都应该被限定。没有边界的智能，不是效率，而是风险。
2. 可验证的中间产物
不要让 Agent 一口气“做完整个需求”，而要把过程拆成可检查的阶段：需求理解、方案输出、代码改动、测试结果、验收结论。这样错误才能被尽早拦住，而不是最后才集中爆炸。
3. 自动化测试与回归机制
单元测试、集成测试、lint、类型检查、安全扫描、关键路径验收，都应成为 Harness 的一部分。Agent 不能靠“我觉得差不多”来宣布任务完成。
4. 全过程可观测
它看了什么上下文、做了什么决策、调用了哪些工具、改了哪些文件、为什么判断自己成功——这些都必须可追踪。没有可观测性，就没有办法复盘、优化，也没有办法形成组织级能力。
5. Human-in-the-loop
再强的 Agent，也不应该绕开责任链条。高风险改动、关键业务流程、上线验收、异常结果确认，都必须留有人类介入点。AI 的价值是提高吞吐，不是绕开治理。
所以可以说：Spec 是方向盘，Harness 是刹车和仪表盘。只有两者同时存在，Agentic Engineering 才可能进入企业级可用阶段。
06
真正的落地，不是多接几个模型，而是重建交付秩序
很多团队谈 AI 落地，第一反应是接模型、接工具、接工作流。这些都重要，但它们还不构成真正的落地。
真正的落地，是把 AI 纳入一套可持续演进的交付体系里。
这套体系的核心，不是“让 AI 自动干活”，而是让组织逐步建立起以下能力：
把模糊需求转化为可执行规格 把单点编码升级为多角色、多工具的任务编排 把传统测试升级为面向 Agent 的持续评测 把交付过程升级为可观测、可复盘、可修正的闭环 把个人提效升级为组织级工程纪律
说到底，企业最终拼的从来不是“哪个模型更会写”，而是“谁能把智能能力放进稳定秩序中”。
未来最强的团队，不一定是写代码最快的团队；而是最懂得如何定义边界、设计约束、组织协同、验证结果、沉淀方法的团队。
因为当代码生成越来越便宜，真正昂贵的就变成了四件事：
你定义得是否足够清楚 你约束得是否足够严格 你验证得是否足够完整 你交付得是否足够稳定
这才是 AI 时代新的工程门槛。
07
结语：演示是起点，持续交付才是分水岭
AI 不会取消软件工程。恰恰相反，它会逼着软件工程回到本质。
因为当“生成”越来越容易，真正决定价值的就不再是做出一个东西，而是能否把一个复杂系统，以可控、可验证、可持续的方式交付给真实业务。
从 Vibe Coding 到 Agentic Engineering，企业真正需要的不是更多炫目的演示，不是更热闹的工具清单，也不是一句“AI 将替代开发者”的口号。
企业真正需要的，是一套新的交付秩序：
用 Spec 明确边界 用 Harness 构建验证 用 Human-in-the-loop 守住责任 用工程纪律换取持续交付能力
演示很容易，落地靠体系。生成只是起点，持续交付才是 AI 工程真正的分水岭。
只有跨过这一步，AI 才不会停留在“看起来很聪明”的层面，而会真正成为组织进化的新基础设施。
Reference
[1] OpenAI Platform Documentationhttps://platform.openai.com/docs
[2] Model Context Protocolhttps://modelcontextprotocol.io/
[3] Anthropic — Claude Code / Agent engineering related materialshttps://www.anthropic.com/
[4] 本文为编辑性技术评论，重点在于讨论 AI Coding、Agentic Engineering、Spec 与 Harness 如何走向企业级落地与可持续交付。
