让AI的代码质量可测量：Agentic Engineering工作流

用 AI 写代码，你真的会检视它的输出吗？

我见过太多团队让 AI 一顿输出，结果呢？代码是跑通了，但线上 bug 一堆，没人知道为什么。这个 Skill 解决的就是这个问题——不是让 AI 写更多代码，而是让 AI 的代码质量可测量。

这个 Skill 叫 Agentic Engineering，来自 GitHub 达人 @affaan-m，挂在 everything-claude-code 系列下面，在 LobeHub 上狂揽 340k+ stars，是目前最火的 Coding Agent 技能之一。

核心玩法：先写测试，再让 AI 实现

传统流程是：给需求 → AI 写代码 → 人工 review → 改 bug → 上线。

这套流程的问题是：review 全靠人的精力，AI 代码量一大，人根本 review 不过来。

Agentic Engineering 的做法完全不同——先写一个”验收测试”，用它来定义”什么叫完成”。测试写好了，AI 来实现，跑测试看结果，对比基准失败特征，一目了然。

# 第一步：先写测试捕获期望行为
def test_user_authentication_flow():
    # 测试用例要清晰、单一、可自动化
    ...

# 第二步：跑测试 → 记录失败特征
# 第三步：让 AI 实现功能
# 第四步：再跑测试 → 看改善幅度
# 第五步：跑全量回归测试 → 查有没有引入新 bug

这个 Eval-First 循环，让 AI 的输出始终在一个可量化、可复验的框架里，而不是靠感觉。

任务分解：15 分钟单元法则

另一个常见问题是：一个需求太大，AI 拆不开，做着做着就跑偏了。

这个 Skill 给了一个简单规则——15 分钟单元：

• 每个单元独立可验证
• 每个单元只有一个主要风险
• 每个单元有明确的”完成条件”

比如”加用户认证”这个需求，传统拆法是”2 小时工作量”，但 Agentic Engineering 的拆法是：

Task: Add user authentication
├─ Unit 1: Add password hashing (15 min, security risk)
├─ Unit 2: Create login endpoint (15 min, API contract risk)
├─ Unit 3: Add session management (15 min, state risk)
└─ Unit 4: Protect routes with middleware (15 min, auth logic risk)

每个子任务 15 分钟，有清晰的风险定位，review 起来也容易盯着看——security risk 就重点看加密逻辑，API contract risk 就重点看接口设计。

模型路由：让贵模型只干高难度的活

很多人用 Claude Opus 处理所有代码任务，结果 Token 烧得快、速度慢、成本高。

Agentic Engineering 提出的模型路由策略很实用：

成本纪律：只有当下层模型出现明显推理gap 时，才升级到上层模型。不是不能用 Opus，而是要让它做真正需要 Opus 的事。

谁适合这个 Skill？

如果你是团队里管 AI 代码质量的，这个 Skill 直接可以落地——给团队的 AI coding workflow 装上一个评测框架，不用再靠”感觉还行”来判断代码质量。

如果你自己用 AI 写代码但总觉得输出不稳定，这套 eval-first 方法可以让你的调试效率提升一个量级。

如果你是 AI coding 工具的深度用户，模型路由策略可以帮你省下不少 Token 费用。

GitHub：https://github.com/affaan-m/ecc

安装命令：

npx skills add https://github.com/affaan-m/ecc --skill agentic-engineering

作者：沈星河 | 定位：AI 行业观察 / 综合盘点 / 主题合集

GitHub: https://github.com/affaan-m/ecc