从第一性原理看 AI 编程:软件工程从未改变的本质

Agentic Engineering 是另一种思路：工程师与 AI 深度协作，AI 负责执行，人负责判断。Engineering 的本质是约束优化——在给定资源、时间、质量等约束下找到最优解。

1

从基本事实出发

软件工程的固有挑战归结为四点：

• 信息损耗（意图从构想到代码逐步失真）、

• 知识孤岛（经验存在于个人头脑中）、

• 认知成本（理解复杂系统消耗大量认知）、

• 重复性劳动（编写测试、Mock 等机械工作）。

AI 改善了这些挑战——缩短反馈周期、通用知识即时可用、辅助代码解读、自动生成。

但 AI 也引入了新问题：概率性输出带来似是而非的损耗、团队私有知识仍无法被利用、审查信息量暴增、生成成本骤降但验证成本未降。

2

三层价值模型

L1 加速：同样的事做得更快。

L2 增强：同样的事做得更好。

L3 解锁：做以前做不到的事。

L1 不需要体系化方法，现有模型即可实现。

真正需要 Engineering 思维的是 L2 和 L3——约束空间复杂、上下文庞大、验证困难。

3

三条公理

公理 1：信息损耗不可消除。

软件工程的本质是把模糊意图变成精确代码，每一步都有损耗。AI 改变了各环节的损耗率，但不消除链本身。

公理 2：LLM 的特征决定输出质量。

 输出由上下文决定、输出是概率性的、工作记忆有限且易失。这三个特征共同决定了 AI 的能力边界。

公理 3：人类认知是稀缺资源。

最优策略不是最大化 AI 产出量，而是最优化工程师认知带宽的分配。

4

五条修正

• 上下文价值取决于信噪比，不是代码越多越好
• 可靠性取决于关键上下文是否被有效传递，不是 AI 能力不够
• AI 的最大价值是贯穿全链条降低信息损耗，不是更快写代码
• 完整验证需要多维度组合，不是通过测试就行
• 小任务推进、频繁校验，不是让 AI 独立完成

5

三条实践

Context Engineering：Spec-First、Docs as Code、渐进式披露。

Knowledge as Code：团队知识编码为 Skill 和 Rules，版本化管理。

Error-Driven 闭环：犯错→诊断→沉淀→预防。