Agentic-Engineering
一句話定義
設計讓 AI agent 能在清楚邊界內安全試錯的工程方法：先寫 spec、metric、限制與回滾策略，再讓一個或多個 agent 大量執行、驗證與迭代。
核心要點
從「叫 AI 寫 code」到「設計可驗證環境」
Agentic-Engineering 的重點不是 agent 取代工程師，而是工程師把任務環境設計成 agent 可以安全探索：
- 目標清楚：agent 要做到什麼？
- 驗證清楚：怎麼知道它做對？
- 邊界清楚：它能改哪些檔案、用哪些工具、跑多久？
- 回滾清楚：它失敗或變差時回到哪裡？
這使它與 Vibe-Coding 分開：vibe coding 偏自然語言生成；agentic engineering 偏環境、驗證與責任設計。
Long-running agent 需要 goal 邊界
2026-05-25-Gary-Chen-AI-Agent-27小時-Goal功能 將長任務 agent 的工作方式拆成 Goal-Prompt 五要素：outcome、verification、constraints、iteration policy、error handling。這組結構其實是 agentic engineering 的小型任務環境：
- Outcome / verification 定義 agent 要追什麼分數或狀態。
- Constraints 限制 agent 能改哪裡、不能破壞什麼。
- Iteration policy 要求每輪記錄嘗試、結果與下一步。
- Error handling 指定何時停止、回報卡點，而不是無限跑。
因此 long-running agent 不是「放任 AI 不眠不休」，而是把人的完成標準、驗證方法與停損條件外化後，讓 agent 在受控邊界內工作。
Karpathy Loop 的三個 constraint
2026-05-18-Karpathy-Software-3-Agentic-Engineering 轉述 Karpathy Auto Research / Karpathy Loop：
| Constraint | 意義 |
|---|---|
| One file | agent 只能改一個明確檔案，避免任意改動系統其他部分 |
| One metric | 只有一個可比較的分數，避免評估漂移 |
| One time budget | 每次實驗有固定時間上限，避免浪費 compute |
在這個框架裡，關鍵不是 agent 天生多聰明，而是人把可試錯空間設計得夠乾淨。Agent 只能在小盒子裡探索；變好留下，變差回滾。
專業責任仍在人
Agent 可能寫出能跑但架構錯誤的 code。影片中的 Google login + Stripe credits 例子說明，若用 email 配對身份與資金歸屬，測試可能通過，但真實世界會因使用者付款 email 不同而出錯。正確設計應使用 persistent user ID。
因此 agentic engineering 的人類責任包含：
- 系統模型：身份、權限、資金、資料一致性與風險邊界。
- 代碼健康：抽象、重複、可讀性、可測試性與 Code-Review。
- 可觀測性：trace、metric、log、失敗樣本與 error analysis。
- 回滾與治理：版本控制、實驗隔離、預算限制與人工審查。
Agent-first infrastructure 是瓶頸
Agent 能寫 code，但世界上大量部署、付款、DNS、OAuth、後台設定仍是人類 UI。這讓 Agent-Computer-Interface 成為 agentic engineering 的基礎設施問題：
- 人類好用的 GUI 不一定適合 agent。
- Agent 需要結構化介面、明確授權、可審計操作與防呆。
- 在 agent-friendly API / CLI 普及前，computer use 是繞過人類 UI 的過渡方案。
與其他概念的關係
- 與 Agentic-Workflow：workflow 描述 LLM / tools / context / memory / eval 如何編排成任務流程；agentic engineering 更偏工程師如何設計可驗證試錯環境與責任邊界。
- 與 LLM-Evaluation：eval 是 agentic engineering 的核心，不是事後加上的報表。
- 與 Harness-Engineering：harness engineering 管 agent 的工具、context 與 feedback loop；agentic engineering 是把這些 harness 元素用在工程實驗與軟體交付上。
- 與 Jagged-Intelligence：因為 AI 能力鋸齒狀，任務要盡量被改寫到可驗證區域。
- 與 AI輔助開發：AI 輔助開發是使用場景；agentic engineering 是專業化後的上層治理方法。
- 與 MOC-工程：把 AI agent 產出納入工程成熟度，而不是把「AI 寫的」當作免責理由。
相關來源
- 2026-05-18-Karpathy-Software-3-Agentic-Engineering — Karpathy 訪談解析；提供 Vibe Coding / Agentic Engineering 區分、Karpathy Loop constraints、agent-first infrastructure 與身份 / 支付錯誤案例。
- 2026-05-13-Stanford-AI系統課程 — 提供 agentic workflow、task decomposition 與 eval 框架，可作為本概念的系統設計背景。
- 2026-05-25-Gary-Chen-AI-Agent-27小時-Goal功能 — 補入 long-running agent 的 goal prompt、評審迭代、停損回報與質化 rubric。
備註
本頁目前以二手訪談解析建立概念入口；Auto Research、SkyPilot cluster 實驗與 Shopify 內部實驗數字需待一手來源校準。