[X 精选] Andrew Ng：AI 编码 Agent 的核心技能地图

Andrew Ng 于 2026 年 9 月 4 日发布《AI Engineering Skills Map: Using coding agents》，总结其团队访谈多位 AI 工程师并结合实际使用经验后，归纳出的编码 Agent 工作流与核心能力。

英文原文与中文翻译

The most important skills for using AI coding agents effectively. Presenting the AI Engineering Skills Map for using coding agents.

中文：有效使用 AI 编码 Agent 所需的最重要技能。这里介绍面向编码 Agent 的 AI 工程技能地图。

文章把使用编码 Agent 构建软件分为三个相互迭代的阶段：

它与传统软件工程流程并没有彻底割裂，但人的注意力从逐行编写代码，更多转向决定做什么、设计架构、写清规范以及验证输出。绿地原型可能只需要简短提示词，已有大量用户的棕地项目则需要更严谨的规范和验收。

工程师要决定每个阶段投入多少人力与 Agent 时间，何时回到上一步迭代，以及如何权衡速度、成本、技术风险和人工注意力。任务还应被拆成能够独立检查的步骤。

不同任务需要不同模式：可以实时观察并频繁交互，也可以委派较大的工作块，或给出明确目标让 Agent 循环到通过验收。关键不是一味延长运行时间，而是管理好上下文、阶段性结论、用户反馈和发生变化的假设。

并行 Agent 也需要协调：应明确任务分解方式、共享哪些上下文、如何分配人的注意力，并通过权限和操作门禁减少密钥泄露、数据丢失或破坏生产环境的风险。

编码 Agent 的输出具有不确定性。文章建议针对任务设计行为验证和功能验证，可使用自动化测试、用户流程检查、截图证据、评测集及必要的 LLM-as-a-judge。

测试本身也要被检查，确保它真的对应产品目标。除此之外，还可以引入 Agent 代码审查、安全审计和架构审计；当自动审查不足时，应在关键节点保留人工检查。部署后的监控与事故处理同样属于验证链路。

有效的工作环境要让 Agent 能及时获取上下文、工具和约束。文章列举了 skills、plugins、MCP servers 与 hooks，也提到用 AGENTS.md 或 CLAUDE.md 记录代码库知识、架构假设、编码风格和数据访问方式。

跨会话或多 Agent 工作还需要保存状态、沉淀运行经验并做复盘；旧工具或旧规则失效后应及时清理，避免不断累积 Agent 生成的技术债。

工程师需要理解 Agent 如何搜索代码库、管理上下文窗口、调用工具、组织子 Agent，以及模型外层的 harness 如何影响行为。这样更容易识别常见失败模式：简单问题被过度设计、缺少明确验证、尚未完成就停止，或执行可能破坏文件和生产数据的操作。

Andrew Ng 认为，社交媒体常把编码 Agent 的使用方式描述得过于简单。让 Agent 连续运行数小时、消耗数百万甚至数千万 Token 有时确实有用，但超长任务当前的实际收益相对于成本被夸大了。更可靠的方式仍是高度迭代的流程，并在关键节点用高水平的人类判断介入。

这份技能地图来自访谈和团队实践，是工程方法总结，不是受控实验或量化基准。不同项目所需的自治程度、测试强度与人工门禁会随风险变化；具体模型、工具和最佳实践也会快速更新。