#工程 · AI 短帖与讨论

写代码不再值钱，工程师的价值还剩什么？ Simon Willison在《Agentic Engineering Patterns》中给出了答案。一套完整的工程方法论：从代码边际成本趋零这一事实出发，推导出知识资产的复利策略、让Agent自证正确的验证闭环，以及对认知债的系统性防御。 核心观点： • 代码编写成本趋近于零，但工程判断力的价值在上升 • Agent优化的是能跑，不是适合你的场景 • AI系统的错误是静默的，比传统软件的bug更危险 • 工程能力的核心不是选对一次，而是持续演进 • AI时代的工程师画像是广度扩张+决策深化 启发：用Agent写代码，但用自己的大脑做决策。优先投资数据与架构知识——这是最不可逆、最依赖人类上下文的两个领域。

AI Agent正在成为一门严肃的工程学科，但最大的错误是试图一次性学会所有东西。 更好的方法？跟着这张路线图走。 这张AI Agent工程路线图把学习之旅分成了8个实用层次： 01 — LLM基础：理解Transformer、分词、上下文窗口、推理模型和基准测试 02 — 上下文工程：学习系统提示、少样本示例、结构化上下文和扩展思考如何塑造Agent行为 03 — 记忆架构：构建会话记忆、向量检索、持久化记忆和提示缓存 04 — Agent工作流：深入ReAct模式、MCP、多Agent编排和Coding Agent 05 — 工具连接：将Agent连接到API、MCP服务器、浏览器和计算机使用工具 06 — AI网关与成本控制：学习模型路由、回退、成本跟踪和多供应商设置 07 — 护栏与安全：处理提示注入、验证、PII、越狱和幻觉风险 08 — 可观测性与评估：追踪Agent决策、运行评估、回归测试和检测性能漂移 重要的事？不要直接跳到构建自主Agent。先理解模型，然后是上下文，然后是记忆，然后是工具，然后是编排，最后构建让Agent安全、可测量和可靠的系统。 原帖链接：x.com/i/status/20921…