在学习 Vibe Coding 的过程中,你一定会遇到各种陌生的名词和术语。比如什么是 Token?什么 是上下文窗口?什么是RAG?这些概念听起来很高大上,但其实理解起来并不难。

这篇文章就是你的AI 编程术语词典,我会用最通俗易懂的语言,把 Vibe Coding 中最常见、最重 要的概念讲清楚。墙裂建议收藏,遇到不懂的词就来查一查。

AI 基础概念

人工智能 (AI)

人工智能(Artificial Intelligence)是让计算机模拟人类智能的技术。简单来说,就是让机器能像 人一样思考、学习和解决问题。

在 Vibe Coding 中,AI 就是你的编程助手。你只管告诉它要做什么,它就会嘎嘎帮你做方案、写 代码、修 Bug。就像你有一个 24小时在线的程序员朋友,随时可以帮你干活。

大语言模型 (LLM)

大语言模型(Large Language Model) 是一种能够理解和生成人类语言的 AI 系统。ChatGPT、Cla ude、Gemini、DeepSeek 都是大语言模型。

为什么叫“大”模型呢?因为这些模型的 参数量 非常庞大,动辄几十亿甚至上万亿个参数。参数 越多,模型通常越聪明,但也越消耗计算资源。

你可以把大语言模型理解成一个读过海量书籍和代码的超级学霸,它见过无数的编程案例,所以 能帮你写代码、解释代码、修复 Bug.

除了文本大语言模型之外,AI 领域还有专门处理图片的视觉模型(比如 Stable Diffusion)、处理 语音的音频模型(比如 Whisper)、以及能同时处理文字、图片、音频的多模态模型(如GPT-4 O、Gemini)。在 AI 编程时,我们主要和文本大语言模型打交道。

Token (词元)

Token 是 AI 模型处理文本的基本单位,中文叫做“词元”。你可以简单理解为“词块”,是大模型把 文字拆分后的最小单元。

Token 是你必须掌握的核心概念,因为 AI 服务通常按照 Token 收费。你输入的文字和 AI 输出的 文字都会消耗 Token。 Token 用得越多,花的钱就越多。

在英文中,一个 Token 大约是一个单词或单词的一部分。在中文中,一个汉字通常是1~2个Tok en。不同模型使用的分词器(Tokenizer)不同,所以同一段文字在不同模型中可能对应不同数量 的 Token

值得一提的是,国产大模型(比如通义千问、DeepSeek)针对中文做了专门优化,1个 Token 大约可以表示 1.5~1.8个汉字,比早期的英文模型效率高不少。

举个例子来帮助大家理解:

● "Hello World" 大约是 2个Token

● “你好世界”大约是4~6个Token

提供一个推荐计算token的网址：AI Token 计算器 - DevTk.AIhttps://devtk.ai/zh/tools/token-counter/https://devtk.ai/zh/tools/token-counter/https://devtk.ai/zh/tools/token-counter/

目前很多 AI 编程工具(比如 Cursor、Claude Code)都自带了Token 消耗量的实时统计和展示, 方便你随时掌握用量和成本。

输入 Token 和输出 Token

AI 服务在计费时,一般会分别计算输入和输出的 Token。

● 输入 Token:你发给 AI 的内容,比如提示词、代码、文件等

● 输出 Token: Al 返回给你的内容,比如回答、生成的代码、工具调用指令等

一般来说,输出 Token 比输入 Token 更贵。以 Claude Sonnet 4 为例,输入价格是3 美元/百万 T oken,输出价格是15 美元/百万 Token,贵了5倍。这是因为生成内容比理解内容更消耗算力。

最简单的一个省 Token 小技巧是:用心编写简洁清晰的提示词,让 AI 一次就能理解你的需求,减 少反复对话。

Token 缓存

Token 缓存是一个能帮你省大钱的机制。简单来说,大模型在处理你的提示词时,需要做大量的 计算。如果你连续多次对话,很多内容(比如系统提示词、引用的代码文件)是重复的,每次都 重新计算就太浪费了。缓存机制会把这些中间计算结果保存下来,下次遇到相同的前缀内容就直 接复用,不仅更快,还更便宜。

缓存相关的 Token 分为两种:

● 缓存写入 Token: AI 第一次处理你的上下文时,会把计算结果存起来,比普通输入略贵一点

● 缓存读取 Token:后续再用相同的上下文时,直接复用缓存,价格甚至可以低到普通输入的 1/10,非常便宜

所以在对话时,尽量保持上下文稳定,比如引用的文件、规则文件不要频繁改动,这样能持续享 受缓存优惠。有时候你会发现连续对话比开新对话更省钱,就是因为缓存在起作用。

模型参数

参数是模型在训练过程中学到的“知识点”,用数字的形式存储在模型中。

举个好理解的例子,模型在训练时读到了大量“天空是蓝色的”这类内容,它就会在参数中记住 “天空”和“蓝色”之间的关联关系。参数越多,模型能记住的知识和关联就越丰富。

参数量直接影响模型的能力和使用成本。参数越多,模型越聪明,但运行时消耗的算力(GPU 计 算资源)也越多,所以价格也越贵。

目前主流大模型中,明确公开参数量的有:

● DeepSeek-V4-Pro: 1.6 万亿参数(采用MoE 混合专家架构,实际激活 490亿)

● DeepSeek-V4-Flash: 2840 亿参数(激活 130亿)

● Qwen3.8-Max: 2.4 万亿参数(通义千问最新旗舰模型,同样是MoE 架构,实际激活 950 亿,只占总参数的4% 左右)

● Llama 4 Scout: 1090 亿参数 (Meta 开源模型,激活 170亿)

值得一提的是,即使是同一系列的大模型,厂商也会提供不同参数量的版本供你选择。

模型训练和推理

训练(Training)是让 AI 模型从大量数据中学习知识的过程。这个过程需要海量的计算资源和时 间,一般由AI公司完成。绝大多数情况下,你不需要自己训练模型,直接用训练好的成品就行。

推理(Inference)是模型训练完成、具备了知识之后,用学到的知识来回答问题、生成内容的过 程。我们日常使用 AI 工具,比如和 ChatGPT 对话、让 Cursor 写代码,本质上都是 AI 模型在进行 推理。

打个比方,训练就像学生上学读书,推理就像学生参加考试答题。

模型微调(Fine-tuning)

微调是在已有模型的基础上,用特定领域的数据继续训练,让模型在某个领域表现更好。

比如,你可以用大量的医学资料微调一个模型,让它成为医学专家。或者用你公司的代码库微 调,让它更了解你的项目风格。

对于普通用户来说,微调成本较高,一般不需要自己做,直接使用现成的模型就够了。不过,很 多大模型应用开发平台(比如阿里云百炼、火山引擎等)都提供了模型微调的能力,降低了微调 的门槛。大模型服务平台百炼 - 大模型应用构建 - 阿里云https://www.aliyun.com/product/bailianhttps://www.aliyun.com/product/bailianhttps://www.aliyun.com/product/bailian

模型蒸馏

模型蒸馏,也叫知识蒸馏(Knowledge Distillation),是一种把大模型的知识“压缩”到小模型里的 技术。

就像一个经验丰富的高级开发带新人,高级开发(教师模型)不只是告诉新人最终答案,还会分 享自己的推理过程和思考逻辑。新人(学生模型)通过学习这些思维方式,能做出接近的决策, 但成本低得多。

蒸馏的核心在于“软标签”。举个例子,让大模型识别一张动物图片,它不会只说“这是狗”,而是 会给出一组概率:狗92%、猫5%、狼3%。那个5%的“猫”其实包含了珍贵的信息,说明这张图 里的动物和猫有某些相似特征。小模型通过学习这些概率分布,能学到类别之间的微妙关系,效 果比只看“对或错”的硬标签好得多。

蒸馏的好处非常多,比如成本降低5~30倍、推理速度提升4倍、性能保留95% 以上。典型案 例就是 DeepSeek-R1 的蒸馏版本,用671亿参数的教师模型训练出32 亿参数的学生模型,性能 依然出色。最新的 DeepSeek-V4 系列也延续了这一思路,通过 MoE 架构让1.6 万亿参数的模型 仅激活 490 亿参数就能达到强大的推理能力。

蒸馏和微调有什么区别呢?

微调是在已有模型基础上用特定数据继续训练,让它在某个领域更专业;蒸馏是把大模型的知识 转移到小模型里,让小模型更轻量、更便宜。

上下文窗口

上下文窗口(Context Window)是指 AI 模型一次能“记住”的最大内容量,用 Token 来衡量。

不同模型的上下文窗口大小不同:

● GPT-40: 128K Token (约 10 万中文字)

● GPT-5.5: 1M Token (约 75 万中文字)

● Claude Opus 4.8: 标准 200K Token,支持扩展到 1M Token (约75 万中文字)

● Gemini 3.1 Pro: 1M Token (约75万中文字),且支持同时处理文字、图片、音频、视频

● DeepSeek-V4-Pro: 1M Token (约 75万中文字)

上下文窗口越大,AI 能处理的代码量就越多,能记住的对话历史就越长。如果你的项目代码很 多,或者你不确定 AI 能否在一次对话中完成任务,选择上下文窗口大的模型会更合适。

但要注意,上下文窗口越大,每次请求消耗的 Token 也越多,成本也会更高。比如在 Cursor 中使 用 Claude Sonnet 模型时,单次请求超过20 万 Token,输入价格就会翻倍。

提示词相关

提示词(Prompt)

提示词是你给 AI 的指令或问题。在 AI 编程中,提示词就是你用自然语言描述的需求。

提示词的质量直接决定了AI 输出的质量。一个好的提示词应该:

● 具体明确

● 包含必要的背景信息

● 说明期望的输出格式

比如,“做一个网站”是一个模糊的提示词,而“用 React做一个记账网站,包含添加支出、查看列 表、统计总额三个功能,界面用蓝色调”就是一个更好的提示词。

在 AI 对话中,消息一般分为3种角色:

● 系统提示词(System):设置 AI 的角色和行为规则,对用户不可见

● 用户提示词(User):你发送给 AI 的消息

● 助手提示词(Assistant): AI 回复给你的消息

理解这3 种角色有助于你更好地使用 Al。比如很多 AI 编程工具允许你设置系统提示词来定义 Al 的行为规则,而你在对话框中发送的内容就是用户提示词。

系统提示词

系统提示词(System Prompt)是在对话开始前给 Al 设置的指令,用来定义AI的角色、行为和限 制。

比如,你可以设置系统提示词:“你是一位资深的 Java后端开发专家,请用简洁清晰的代码风格回 答问题。”

系统提示词在整个对话过程中都会生效,是定制 AI行为的重要方式。

还记得前几年 AI 刚流行的时候,市面上冒出了一大堆 AI助手网站么?其实很多就是“套壳”,底 层调用的是同一个大模型,只不过给不同的 AI 助手设定了不同的系统提示词,比如“你是一个 翻译专家”、“你是一个法律顾问”等。

提示词工程

提示词工程(Prompt Engineering)是设计和优化提示词的技术,目的是让AI更好地理解你的 意图,生成更符合预期的结果。

这是 Vibe Coding 的核心技能之一。好的提示词工程师能用更少的对话轮次、更低的 Token 成 本,让AI 生成更高质量的代码。

零样本提示 (Zero-shot)

零样本提示是指在给 AI 下达任务时,不提供任何示例,直接描述你的需求让 AI 去完成。

比如:“请把这段英文翻译成中文。”

AI 会根据自己的训练知识来完成任务。

对于简单任务,零样本提示一般就够用了,不需要提供额外的示例内容,还能节约一些 Token 成 本。

少样本提示(Few-shot)

少样本提示是指在给 AI 下达任务时，额外提供几个输入输出的示例，让 AI 通过这些示例学习你想要的格式或风格，从而更准确地完成任务。

比如：

请按以下格式翻译：英文：Hello → 中文：你好英文：Thank you → 中文：谢谢英文：Good morning → 中文：

在编程场景中，少样本提示特别有用。假设你想让 AI 生成一个 Python 函数，但希望它遵循特定的代码风格和格式，你可以提供几个示例来引导 AI。

实际编程示例：生成 Python 函数

任务描述： 请生成一个 Python 函数，功能是计算两个数的最大公约数（GCD）。

少样本提示示例：

# 示例 1：计算两个数的和def add_numbers(a, b):    """返回两个数字的和。"""    return a + b示例 2：计算两个数的乘积def multiply_numbers(a, b):"""返回两个数字的乘积。"""return a * b示例 3：计算两个数的最大公约数（GCD）def gcd(a, b):"""返回两个数字的最大公约数。"""while b:a, b = b, a % breturn a

效果说明：

通过提供前两个示例（add_numbers 和 multiply_numbers），AI 学习了以下模式：

• 函数命名使用小写字母和下划线（snake_case）
• 每个函数都有文档字符串（docstring）说明功能
• 函数体简洁明了，直接返回计算结果
• 代码格式规范，有适当的缩进和注释

当 AI 看到第三个示例的任务描述时，它会基于前两个示例学到的模式，生成符合相同风格的 gcd 函数。这样生成的代码不仅功能正确，而且在命名、文档、格式等方面都保持了一致性。

少样本提示的优势：

• 格式一致性：
   确保 AI 生成的代码符合你的项目规范
• 减少返工：
   避免生成不符合风格的代码，节省修改时间
• 学习复杂模式：
   对于更复杂的任务（如特定设计模式、错误处理方式等），通过多个示例可以教会 AI 更细致的编码习惯

思维链提示(Chain-of-Thought)

思维链提示(Chain-of-Thought,简称 CoT)是一种引导 AI展示推理过程、一步一步思考问题的 提示技术,而不是让AI 直接给出答案。这对于复杂的推理任务特别有效,比如多步骤的数学 计算、代码逻辑分析、系统架构设计等。

触发思维链提示的方法很简单。很多推理模型(比如 DeepSeek-R1)和 AI 编程工具天然内置了思 维链能力,会自动展示推理过程。你也可以在提示词中手动加上“请一步一步思考”,AI 就会展示 它的推理过程,一般能得到更准确的答案。

在 AI 编程中,涉及复杂业务逻辑、多模块交互、或者需要权衡多种技术方案的项目,特别适合利 用推理模型和思维链提示能力,让 Al 想清楚再动手。

Markdown 语言

Markdown 是一种轻量级的文本标记语言,用简单的符号来表示格式。比如用 # 表示

标题,用 文字 表示加粗,用 - 表示列表。

在 AI 编程中,Markdown 非常重要,因为:

● AI 生成的回答大多数都是 Markdown 格式

● 项目文档(如 README) 采用 Markdown 编写

● 定义 AI 智能体的规则文件也是 Markdown 格式

学会 Markdown 能让你更好地跟AI交流,也能写出更规范的项目文档。更重要的是, 结构化的内容(标题层级、列表、代码块等)有助于AI 更准确地理解你的意图,同时也 能培养你自己的结构化思维能力,这对写好提示词非常有帮助。

AI 编程模式

Vibe Coding 氛围编程

Vibe Coding 是由计算机科学家 Andrej Karpathy 在2025年2月提出的概念。它描述了 一种全新的编程方式:通过自然语言和 AI 对话,让 AI 帮你写代码,你只需要描述需 求、测试结果、指导方向。

你不需要精通编程语法,只需要能清楚表达你的想法,AI 负责把你的想法变成可运行的 代码。

所以说,Vibe Coding 的重点不是写代码,而是明确需求并清晰表达。你描述得越清 楚,AI 给你的结果就越靠谱。

这就像点外卖一样,你告诉外卖平台你想吃什么,餐厅帮你做好送到手上。你不需要会 做饭,但要知道自己想吃什么。

Agentic Engineering 智能体工程

Agentic Engineering (智能体工程)是2026年2月由 Andrej Karpathy(也就是提出 Vi be Coding 的那位大佬)提出的新概念,可以理解为 Vibe Coding 的规范版。

Vibe Coding 就是跟着感觉写代码:你给 AI一句话,AI 吐出代码,能跑就行,跑不了就 把报错粘回去让 AI 再改。做个小工具贼拉快,但项目一大就容易翻车。

而 Agentic Engineering 的思路是:你先想清楚要干嘛、写好方案、拆好任务,再把活交 给 AI 去执行,它干完了你还得验收,质量不行再打回去重做。

打个比方,Vibe Coding 的时候你是个 DJ,放什么歌全凭感觉;Agentic Engineering 里 你是包工头,流程、质量、验收都得你说了算。一个跟着感觉走,一个按流程来。

当然,不是说 Vibe Coding 已经过时了。Vibe Coding 负责让你看到可能性,Agentic En gineering 负责把可能性变成真正能用的东西。二者适用于不同的场景,做小工具时可以 用 Vibe Coding,做企业级项目就需要 Agentic Engineering 的思维。

Agentic Coding 智能体编程

Agentic Coding 智能体编程是指让 AI 像一个自主的“智能体”(Agent)一样工作,能够自己规划任 务、执行操作、验证结果,而不只是被动地回答问题。

它和前面提到的 Agentic Engineering 的区别在于,Agentic Coding 强调的是 AI 的自主执行能力 (AI 能干什么),而 Agentic Engineering 强调的是人对 AI的管理方法论(人该怎么管)。

如今,几乎所有主流 AI编程工具都提供了智能体编程的能力。比如在 Cursor 的 Agent 模式中,A|可以:

自动读取和分析多个文件、规划实现方案、行代码修改、运行测试验证、自动修复问题

这比传统的问答式 AI 更强大,因为它能自主完成复杂的多步骤任务。可以说,AI 不再只是辅助乡 程的配角,而是正在成为项目开发的核心驱动力。

Harness Engineering 驾驭工程

Harness Engineering (驾驭工程)是2026年兴起的AI 工程新范式,核心理念是 人类掌舵+智能 体执行。它不是去优化 AI 模型本身,而是围绕 AI 智能体搭建一整套约束机制、反馈循环和工作 流管理系统,让原本不可预测的AI 在高可靠性环境下跑得稳、跑得快。

Harness 这个词本意是“马具”,就像缰绳和马鞍用来引导强大但难以预测的马匹一样,Harness En gineering 就是围绕 AI 编程智能体搭建的整套“运行环境”,确保 AI 能按照你的预期工作。

为什么这个概念越来越重要呢?

因为在 AI 编程时代,模型本身已经是通用商品,真正的竞争力在于你围绕模型搭建的工程体系。 同一个大模型,在不同的 Harness 环境下,代码质量可能天差地别。程序员的角色正在从“自己写 代码”转变为“设计让AI可靠写代码的系统”。

从发展路径来看,Harness Engineering 是在提示词工程和上下文工程基础上的进一步演进。提示 词工程关注「怎么给 AI下指令」,上下文工程关注「怎么给 AI 提供信息」,而 Harness Engineerin g 关注的是「怎么让 AI 持续靠谱地干完一整件事」,三者是层层包含的关系。

Harness 的核心模块包括:

● 上下文架构(让 AI 了解项目背景和规矩)

● 执行能力(给 AI 装上工具和 MCP)

● 任务编排(Plan Mode、SubAgents 并行执行等)

● 反馈机制(Linter、自动化测试、Browser Use)

● 架构护栏(防止代码越改越乱)

Loop Engineering 循环工程

Loop Engineering (循环工程)是2026年中期兴起的 AI 编程新范式,核心理念是 设计自动循环 系统,让AI 自主执行、自主验证、自主修复,直到达成目标。

以前的 AI 编程模式就像开手动挡的车,每一步都靠你自己操作。Loop Engineering 更像自动驾 驶,你提前设定好目的地和安全规则,AI自己执行、自己检查、自己修复,直到任务完成。

1个靠谱的 Loop 需要3样核心的东西:

● 明确的目标和停止条件:比如「所有测试通过」就是好的停止条件

● 反馈闭环:每轮循环结束后自动检查结果,判断是继续还是停止

● 状态记忆:用外部文件(如 PROGRESS.md) 记录进度,断了重启不会从零开始

从发展路径来看,Loop Engineering 是在提示词工程、上下文工程和 Harness Engineering 基础上 的进一步演进。前面几步让 AI 能在靠谱的环境里干活,Loop 则在这些基础上多加了一层「自动 循环+反馈闭环」的机制,让你从「一句一句手动提示AI」的操作者变成「设计循环规则」的管理者。

多智能体协作

多智能体协作(Multi-Agent)是指多个 AI 智能体分工合作,共同完成复杂任务。

比如,一个智能体负责设计架构,一个负责写前端代码,一个负责写后端代码,一个负责代码审 查。它们像一个软件开发团队一样协作。

这两年,多智能体系统正在成为AI 编程的重要趋势。它的优势不仅仅是能处理更复杂的项目,还 能通过并行工作大幅提升效率,让原本需要几小时的任务在几分钟内完成。

智能体编排

编排(Orchestration)是指协调和管理多个 AI 智能体或 AI 任务的过程,确保它们按正确的顺序 和方式工作。

如果说多智能体协作关注的是“有哪些角色参与”,那编排关注的是“谁先干、谁后干、结果怎么汇 总”,它是多智能体系统的指挥中枢。

就像乐队指挥一样,编排器决定哪个智能体在什么时候做什么事情、如何传递信息、如何汇总结 果。

Subagents 子代理

Subagents(子代理)是指主 AI 智能体将部分任务分派给独立的子智能体来并行处理的机制。

你可以把它理解成 AI的下属,就像一个经理把活分给手下的几个员工同时干一样。当主 AI 遇到 一个大任务时,它可以把独立的小任务分给几个子代理同时干,自己继续处理其他工作。

Subagents 的好处是:

● 并行处理多个独立任务,效率翻倍

● 主代理的上下文保持干净,不会被子任务的细节污染

● 每个子代理可以专注于自己的任务,结果更准确

比如你可以让几个子代理同时审查代码库的不同模块,速度会快很多。

在 Claude Code 中,AI 会通过内置的 Task 工具自动生成子代理来处理子任务,你不需要做额外配 置。你也可以在 .claude/agents/ 目录下创建自定义的子代理(用Markdown 文件定义),给它 指定专属的角色描述、工具权限和行为规则。

不过子代理也有局限,每个子代理的上下文是独立的,它们之间无法直接共享信息,所以不适合 有强依赖关系的任务。另外,多个子代理同时运行会消耗更多 Token,成本会相应增加。就像公 司招人一样,多招几个人确实能干得更快,但工资支出也得跟着涨,而且人多了沟通协调的成本 也会上来。

Agent Teams 智能体团队

Agent Teams (智能体团队)是2026年兴起的多智能体编程新模式,由 Claude Code 率先推出。 它让3~5个独立的AI 智能体组成团队,在同一个项目上并行工作。

和传统的单 AI 对话不同,Agent Teams 中有一个 Team Lead (队长)负责拆解任务和协调工作, 其他 Teammates (队员)各自领取任务独立执行,还能通过消息系统互相沟通。

打个比方,以前用 AI 编程就像你一个人带一个实习生干活,现在 Agent Teams 相当于你直接管了 一个小团队,前端、后端、测试同时干,效率翻了好几倍。Anthropic 的工程团队曾用 16个 Agen t 同时工作,产出了10万行 Rust 代码!把原本需要数天的工作压缩到了几小时。

当然,代价就是花费的Tokens 可能会更多,不是什么时候都建议使用 Agent Teamso

在实际操作中,Agent Teams 的多个智能体通常需要物理隔离来避免代码冲突。目前最主流的做 法是利用 Git WorkTree 给每个智能体分配独立的工作目录,各自在独立的分支上开发。

Cursor 已经内置了这种能力,通过 Parallel Agents 模式自动创建和管理 WorkTree,让多个AI 并 行工作后一键合并代码。

Hermes Agent

Hermes Agent 是 Nous Research 在 2026年2 月开源的自改进AI 智能体,最大的特点是它能从 自己完成的任务中学习,越用越聪明。

一般的AI 智能体每次对话都是从零开始,不会从过去的经验中学习。而 Hermes Agent 内置了一 套闭环学习机制:

1. 完成任务后,自动把解决方案提炼成可复用的 Skill Document (技能文档)

2. 下次遇到类似任务时,先检索已有的技能文档

3. 根据新的实践不断优化已有技能

官方数据显示,使用已积累技能的 Hermes Agent 完成类似任务的速度比全新实例快 40%。

Hermes Agent 采用三层记忆系统:会话记忆(当前对话上下文)、技能文档(从任务中提炼的可 复用知识)、以及用户画像(持久化的用户偏好和习惯)。它支持 Telegram、Slack、Discord、微 信等多个平台接入,兼容 200多种AI 模型,完全免费开源。

Background Agent

后台 Agent (Background Agent) 是让 AI 在后台自主运行、完成任务后再通知你结果的能力。

传统的 AI 编程需要你盯着屏幕等 AI一步步做完,电脑还不能关。而后台 Agent 允许你把任务交 给AI后,就去做别的事情,Al 会在云端独立完成工作,你甚至可以关掉电脑!

比如让 AI 在后台修复一批 Bug、跑一轮代码审查、或者完成一个完整的功能模块,做完了会通知 你来验收。

目前 Claude Code、Cursor 等工具都已经支持后台 Agent 能力。以后 AI 编程可能就像发微信一 样,你在手机上把需求发过去,该干嘛干嘛,等AI做完了来找你验收就行。

Agent Loop 智能体循环

Agent Loop (智能体循环)是A 思考-行动-观察”的循环来一步步完成任务

一个典型的 Agent Loop 包括:

1. 感知:获取当前环境信息(读取文件、查看错误等)

2. 思考:分析情况,决定下一步行动

3. 行动:执行具体操作(写代码、运行命令等)

4. 观察:检查行动的结果

5. 循环:根据结果决定是否继续

这个循环会一直进行,直到任务完成或达到终止条件。

理解 Agent Loop 能帮你更好地规划任务和管理 AI的工作过程。需要特别注意的是,AI 编程时A gent Loop 的循环次数不要太多,很多工具都有最大循环次数限制,循环太多不仅效果不好,还会 疯狂烧 Token!有朋友一觉醒来发现额度用光了,就是因为让AI 陷入了无限循环 ……

Claude Code 的源码就是 Agent Loop 最好的工程实现案例。它的核心对话循环其实就是一个朴素 的 while(true)无限循环:每一轮迭代里,先做上下文压缩、再调用大模型拿到响应,如果模型说 “我要用某个工具”就去执行,把结果追加到对话历史里,然后进入下一轮。

核心编程模式对比

为了帮助你更清晰地理解 Vibe Coding、Agentic Engineering、Harness Engineering 和 Loop Engineering 这四种核心 AI 编程模式的区别与联系，我们将其核心特征总结如下：

总结与联系： 这四种模式代表了 AI 编程从“辅助工具”到“自主执行者”的演进路径。Vibe Coding 让你快速上手，看到可能性；Agentic Engineering 引入了项目管理思维，提升结果质量；Harness Engineering 进一步构建了确保 AI 行为可靠的基础设施；而 Loop Engineering 则在此基础上实现了任务的自动化闭环。它们并非相互替代，而是根据项目复杂度、质量要求和自动化程度的不同而选择使用的“工具箱”。