从氛围编程到Agentic Engineering：AI编程范式演进全解析

引言：2025年AI编程进入落地新阶段

2025年上半年，AI大模型的发展依然日新月异，但已不再像GPT横空出世时那般惊艳。从Anthropic到DeepSeek^广告再到Google，各家都在推出迭代版本，但一个明显的趋势是——大家更注重落地了。

这是一件好事。当模型能力不再是不稳定因素，Agent框架才真正有了发展空间。Agent框架是指让AI模型具备「感知-规划-行动-反馈」闭环能力的系统架构，与单次问答的LLM调用不同，Agent系统通常包含工具调用层（如文件读写、代码执行、网络搜索）、记忆管理层、任务规划层以及反思机制。在编程场景中，这意味着AI不再只是「回答一个问题」，而是能够持续地读取代码库、运行测试、分析报错、修改代码，直到任务完成。下半年，我们将看到更多Agent编码范式被打磨和应用到大型、复杂项目中。

从国外技术论坛的讨论来看，开发者们已经积累了相当丰富的经验来应对AI接手复杂项目的挑战。现在切入AI编程范式，说晚不晚，说早也不早，正是一个好的时机。

Karpathy与氛围编程（Vibe Coding）的诞生

从特斯拉到独立创作者

氛围编程（Vibe Coding）的概念由Andrej Karpathy在大约一年前提出。Karpathy是斯坦福大学计算机视觉博士，师从李飞飞，曾是OpenAI的创始成员之一。在担任特斯拉深度学习Director期间，他主导了Autopilot视觉感知系统从雷达依赖向纯视觉方案的历史性转型，每年发布会都会提出新概念，在自动驾驶视觉感知领域引发技术热潮，这些概念也确实在特斯拉的自动驾驶感知系统中得到了实际应用。

离开特斯拉后，Karpathy有了更多时间进行技术分享和创作：

• NanoGPT：极简的GPT训练框架，以不足300行代码实现了完整的GPT训练流程，成为理解Transformer架构的标准参考实现
• LM.c：用C语言实现的语言模型训练框架
• Vibe Coding：氛围编程范式的提出
• Agentic Engineering：从氛围编程到工程化的演进

每一次他的出镜和新话题的提出，都会引发社区的广泛讨论和实践。Karpathy的厉害之处在于，他能把深奥的技术内容讲得浅显易懂——他的《Neural Networks: Zero to Hero》系列课程在YouTube上累计数百万播放，被誉为深度学习领域最佳入门资源之一。这说明他真正消化了这些知识并融会贯通。

氛围编程的核心思想

氛围编程的本质概括起来并不复杂，但其背后的范式转换意义深远：

角色转换：大语言模型从代码补全工具，转变为「自然语言到代码的编译器」。这是最核心的认知转变。

这一比喻在技术层面有其深刻含义。传统编译器将高级语言（如C++）翻译为机器码，开发者无需理解底层指令集；类比地，LLM将人类意图（自然语言）翻译为可执行代码，开发者无需精通每一行实现细节。这种抽象层级的提升，在软件工程史上并非首次——从汇编到高级语言、从命令式到声明式编程，每一次抽象跃迁都大幅扩展了能够参与软件创作的人群边界，并释放了专业开发者处理更高层次问题的认知资源。

工作流程：

1. 开发者用自然语言描述需求
2. 模型生成完整代码
3. 运行代码获取反馈
4. 将反馈提供给模型进行调整
5. 形成持续迭代的循环

这与早期GPT仅提供代码片段的方式有本质区别。氛围编程将整个流程串联起来，填充了各环节之间的缝隙，真正形成了一个完整的开发闭环。

主流AI编程工具：从范式到落地实现

一体化AI代码编辑器

基于氛围编程的基本思想，当前已涌现出多种成熟的实现形态：

• Cursor：集成AI能力的代码编辑器，基于VS Code深度定制，其核心差异化能力在于Codebase Indexing——对整个项目进行语义索引，使模型能够在回答问题时检索相关代码上下文，而非仅依赖当前打开的文件。其「Composer」功能支持跨多文件的协调修改，是处理重构类任务的重要能力。
• Windsurf：由Codeium推出，主打「Flow」概念，强调AI与开发者之间更流畅的协作体验。其Cascade功能能够主动感知开发者的操作意图并提前准备相关上下文，提供流畅的AI辅助开发体验。
• Google的Agentic Coding：实现交互式编程，以螺旋式循环不断推进项目

两者都代表了「AI-native IDE」的设计哲学：不是在传统编辑器上叠加AI插件，而是从底层重新设计人机协作的交互范式。

Karpathy的贡献不在于技术实现本身——这些东西很多团队都能做——而在于他将散落的实践总结为一种清晰的范式，让开发者可以基于这种范式构建自己的实现。

从Vibe Coding到Agentic Engineering的演进

最近Karpathy又提出了Agentic Engineering的概念，这代表了AI编程范式的进一步演进。如果说氛围编程是让AI成为编译器，那么Agentic Engineering则是让AI成为具有自主决策能力的工程师——不仅能写代码，还能规划架构、分解任务、自主调试。

这种演进路径清晰地表明：AI编程正从「辅助工具」向「协作伙伴」转变，从「单轮对话」向「持续Agent循环」进化。

AI编程的技术挑战与未来展望

尽管AI编程范式已经可以落地，但仍存在技术挑战：

1. 模型能力的边界：复杂项目中的长上下文理解和跨文件推理仍有提升空间。大型软件项目通常包含数十万乃至数百万行代码，当前主流模型的上下文窗口虽已扩展至100K甚至200K tokens，但在实际工程中仍面临「Lost in the Middle」问题——模型对上下文中间部分的信息利用率显著低于头尾部分。跨文件推理则要求模型理解模块间的依赖关系、接口契约和数据流向。当前的解决方案包括RAG（检索增强生成）技术按需注入相关代码片段、基于AST的结构化语义检索，以及多Agent协作等。

2. 框架的自动化程度：如何更智能地填充流程中的缝隙

3. 可靠性保证：AI生成代码的质量一致性问题

好消息是，这些挑战正从两个方向被解决：一是大模型在训练迭代中不断提升基础能力；二是Agent框架通过自动化机制填补这些缝隙。当两者协同发展，AI编程将真正进入成熟期。

核心要点

• 2025年AI大模型趋于稳定，Agent框架迎来真正的发展空间，AI编程范式加速落地
• 氛围编程的核心是将大语言模型从代码补全工具转变为自然语言到代码的编译器，形成需求-生成-反