这四步是递进的，跳级必然付出代价。

第一级：Vibe Coding

核心：把重复的编码劳动交给 AI，快速获得产出。

解决的问题：样板代码、CRUD、单元测试、脚手架。

局限：

• 生成后你必须真的读懂，否则技术债累积

• 上下文窗口一满就"失忆"

• 无法处理跨十几个文件的复杂改动

到此为止，这就是"用一个很厉害的聊天框"。

第二级：Agent 架构

从"AI 回答一次"变成"AI 完成任务"。

三个转折点

转折一：ReAct 循环（2022-2023）

模型的输出从"直接回答"改成"推理 → 行动 → 观察"循环。Agent 从"只读文本"变成"可以操作世界"。

转折二：规划与记忆分离（2023）

Planner 负责拆解任务，Executor 负责执行，Memory 负责跨会话。长任务可控性大幅提升。

转折三：多智能体协作（2023-2024）

不同专长的 Agent 分工协作。LangGraph 等框架把协作流程从"自由对话"变成"可编程的状态机"。

详见

Agent 架构的五种设计模式与选型决策，见《AI Agent 架构设计模式：从 ReAct 到多智能体协作》。

这一级的典型问题

这些问题里，超过一半的根因是上下文问题，而不是架构问题。 这就是第四级存在的意义。

第三级：工程化

从"能跑"到"能上生产"。

可观测性

Agent 必须记录完整执行轨迹。每一步至少：

时间戳 | 节点名称 | 输入 | 输出 | Token 用量 | 延迟

推荐工具：LangSmith、Langfuse、Arize Phoenix。

没有轨迹的 Agent，无法调试。 而 Agent 的调试难度是普通代码的数倍——因为控制流有一部分藏在模型的决策里。

评测

从"我觉得效果不错"到可度量的指标。

黄金集 50-200 条真实用例，每次改动跑 CI —— 这是最可靠的工具。

成本护栏

Agent 的 Token 消耗是单次对话的 10-100 倍。

可靠性

• 工具调用必须带指数退避重试（最多 3 次）

• 高影响动作需置信度阈值判断，低于阈值走人工确认

• 不可逆步骤设验证门（validation gate）

第四级：上下文工程

这是 2026 年真正的护城河。

为什么这一级最重要

上下文是有限资源。
Attention 是稀缺资源。
"塞满窗口" ≠ "用上窗口"。

Lost in the Middle：模型对长上下文中段的信息利用率显著下降，规模化场景退化可达 40%。

Context Rot：Chroma 测试 18 个模型（含 Claude Opus 4、GPT-4.1、Gemini 2.5 Pro、Qwen3），固定任务难度、只变输入长度，所有实验性能一致下降。

四个动词

成本账

这是上下文工程最硬的存在理由：

这比换模型更大的杠杆。

一条判断标准

每一层都要回答："这个信息为什么值得占用主上下文？"

答不上来，就把它移到窗口外。

如何判断你在哪一级

团队该按什么顺序投入

1. 先把「评测」建起来
   └── 没有度量，后面全是猜
        ↓
2. 再把「可观测性」补上
   └── 看不见轨迹，调不动
        ↓
3. 然后做「上下文工程」
   └── 这是收益最大的一步
        ↓
4. 最后考虑「换更强的模型」
   └── 这是最容易被迷信的杠杆

顺序反了就会变成：不断换模型，每次都稍好一点点，但问题始终存在。

一个反直觉的结论

上下文工程会让应用层消失，但不会让问题消失。