一、引言：一次从“氛围”到“工程”的范式跃迁

2025年2月，OpenAI联合创始人Andrej Karpathy在社交平台随手发了一条推文，发明了一个词——“Vibe Coding”（氛围编程）。他描述的是一种“完全沉浸在氛围之中，拥抱指数级增长，甚至忘记代码的存在”的编程方式。这条推文在48小时内被浏览450万次，Vibe Coding迅速成为席卷全球科技圈的年度热词。

然而仅仅一年后，Karpathy亲自为这个概念按下了“升级键”。2026年2月，他提出了一个全新的范式——Agentic Engineering（智能体工程）。从“氛围编程”到“智能体工程”，这不仅是一次术语的更替，更是一场关于AI编程本质的深刻认知革命。

二、Vibe Coding：AI编程的“全民狂欢时代”

2.1 什么是Vibe Coding？

Vibe Coding的核心模式可以概括为一个闭环：人类用自然语言描述需求 → AI生成代码 → 人类验证并反馈 → 迭代优化。开发者不再需要逐行手写代码，而是通过多轮对话引导AI产出符合预期的结果。

这本质上是人机对话式的协作编程。正如Karpathy本人所说：“我总是’全部接受’，不再看差异对比。遇到错误信息时，我直接复制粘贴进去，不加任何注释，通常这样就能解决问题。”

2.2 Vibe Coding的历史坐标

Vibe Coding并非凭空出现。它的技术根基可以追溯到2020年GitHub内部一个名为“GitHub Next”的六人“臭鼬工厂”团队。当时，他们投喂模型的只是一些Python代码，生成的函数通过率仅有10%。正是在这个“废墟中擦燃湿透火柴”的过程中，“幽灵文本”（Ghost Text）的概念诞生了——让代码像Gmail的自动补全一样直接浮现在光标之后。

从2020年的幽灵文本，到2025年Vibe Coding的全民狂欢，再到2026年智能体工程的专业登台，AI编程依次经历了幽灵文本、意图革命、全民狂欢、信任危机、工业化浪潮与集体宿醉。Vibe Coding正是这场运动在“全民狂欢”阶段的核心符号。

2.3 Vibe Coding的结构性瓶颈

Vibe Coding虽然极大降低了编程门槛，但它存在一个根本性的结构问题：人是循环中的瓶颈。

每一轮对话，开发者都需要：看AI生成的代码 → 判断对不对 → 决定下一步指令。AI再快也没有用——它在等你。对于复杂任务，一个功能可能需要20-50轮对话，每轮花30秒到2分钟不等。更根本的问题是：你需要一直盯着。注意力是稀缺资源，你不可能同时Vibe Coding三个功能。

此外，Vibe Coding模式下的代码生成高度依赖提示词质量，容易产生安全漏洞、维护困难与技术债务。正如一位大厂工程师所评论的：“在大厂设计大规模系统的经验，反而让我能更好地驾驭AI。核心原因在于：我知道一个好的系统长什么样。”这正是Vibe Coding和智能体工程的根本区别——前者是“凭感觉”，后者是“凭工程”。

三、Agentic Engineering：智能体工程时代的开启

3.1 什么是智能体工程？

2026年2月，Karpathy正式提出了Agentic Engineering的概念。他给出了两个核心理由：

• Agentic——因为99%的时间你不再直接写代码，而是协调智能体并进行监督
• Engineering——因为这是一门有深度的学科，有其自身的艺术、科学和专业知识，可以学习和精进

如果说Vibe Coding是“人类通过提示词让人工智能编写代码”，那么智能体工程则是由AI智能体自主完成代码编写。人的角色变成了定义目标、设定约束、提供反馈——但不参与每一步的执行。

3.2 智能体工程的核心特征

（1）从“对话式协作”到“自主循环”

Vibe Coding是“人-AI对话”模式，而Agentic Engineering的核心思想是：把人从循环中拿出来，让AI自己完成“写代码→运行→检查结果→修正→继续”的循环。人的角色是定义目标和设定质量标准。

这正是Codex CLI的/goal命令所做的事情：你只需给出一个目标（如“重构auth模块，将session管理从Redis迁移到JWT”），AI就会自主循环执行：分析代码结构 → 制定计划 → 逐步修改 → 运行测试 → 分析失败 → 修正 → 再测试……直到目标达成。

（2）从“单模型互动”到“多智能体协同”

Vibe Coding模式下，开发者直接与单一模型互动。而Agentic Engineering强调的是分工与治理——开发者先定义目标、约束条件和质量标准，再由多个AI Agent分别负责规划、编码、测试、调试和安全检查。

有实践者将一个AGENTS.md文件在两个月内扩展成了拥有22个Agent、27个Skill、28个命令的工程体系。这正是智能体工程从理论走向实践的缩影。

（3）从“随意生成”到“结构化流程”

Vibe Coding是“一到几次尝试，冒烟测试，能用就一直用到出问题”。而Agentic Engineering则关注功能正确性、性能、基础设施、弹性、可维护性，采用多阶段流程，每个阶段有确定性质量门和对抗性评审。工作流中内建品质关卡、自动化测试与审计轨迹，让AI产出的代码更容易验证与管理。

3.3 智能体工程需要的基础设施

让AI Agent真正进入业务研发，不是给它一个提示词就行的。一个成熟的智能体工程体系需要解决以下基础设施问题：

• 长时间跨会话执行任务——Agent做到一半会话断了怎么办？状态怎么恢复？
• 工具调用能力的评估体系——Agent调用工具的准确率、可靠性如何量化？
• 上下文的系统化管理——Agent在正确的时刻能拿到正确的信息吗？
• 知识的持续沉淀机制——Agent这次踩的坑，下次能自动避开吗？

这些不是“用AI写代码”的问题，而是“让AI可靠地写代码”之前必须解决的工程问题。

四、Vibe Coding vs Agentic Engineering：对比总结

正如Karpathy自己所总结的：Vibe Coding是提高下限，而Agentic Engineering是保证质量。

五、进化路径与未来展望

5.1 进化的驱动力

从Vibe Coding到Agentic Engineering的进化，背后有几个关键驱动力：

模型能力的跃升。Karpathy坦言，一年前的Vibe Coding用的是当时“能力还比较弱的LLM”，做的是“好玩的一次性项目”。而一年后，LLM Agent编程已成为专业人士的“默认设置”。

工具生态的成熟。从Cursor、Copilot到vLLM、Codex CLI，AI编程工具的能力边界在不断拓展。Cursor在2025年11月完成23亿美元D轮融资，年化收入突破10亿美元。

产业需求的升级。Vibe Coding的“玩票”属性无法满足企业对软件质量、安全性和可维护性的要求。智能体工程正是为了“在不牺牲软件质量的前提下，充分利用智能体的优势”。

5.2 未来的方向

在智能体工程的基础上，一个更进阶的概念——Meta Engineering（元工程）正在浮现。它关注的是：智能体工程本身也需要被工程化。也就是说，不仅要让AI写代码，还要让“让AI写代码”这件事变得可规模化、可治理、可持续。

正如一位行业观察者所言：“不懂架构的人终将沦为看客，而能驾驭智能体的人正在重塑规则。”

六、结语

从2020年GitHub实验室里那根“湿透的火柴”，到2025年Vibe Coding的全民狂欢，再到2026年Agentic Engineering的专业登台——AI编程在六年内完成了从“玩具”到“工具”再到“工程体系”的三级跳。

Vibe Coding证明了AI可以写代码。而Agentic Engineering要回答的是：AI能否像一支专业的工程团队一样，可靠地、可重复地、可治理地交付软件？

答案正在被书写。那些曾经靠“氛围”吃饭的开发者，正在被要求理解架构、掌握治理、设计系统。这不是AI取代程序员，而是编程这门手艺本身，正在从“敲击键盘的微观技艺”，升维为“驾驭智能体的宏观工程”。

Vibe Coding或许正在终结，但一个属于智能体工程师的时代，才刚刚开始。