AI 时代的软件工程应该是什么样子？

最近看到几篇关于 AI 时代的计算机工程的文章，很有感触，分享一下。

关于如何使用 Claude 工作流的最佳实践

Vishakha 在 X 上分享了关于如何使用 Claude 建立工作流，并将其接入到自己项目的思考总结，我觉得非常好。

她将自己的使用方法，总结为五点：

CLAUDE.md 项目说明：记录和当前项目有关的所有说明和操作指南，包含项目是做什么的，项目地图，还有具体应该用什么命令来操作项目。是一个对整体项目的指导性说明。
.claude/skills：可复用的能力，也就是经常要重复的一些操作。例如 code review，重构说明，调试流程，release 部署方式。我个人认为，skills 实际上就是能力的抽象+封装，其核心思维仍然是软件的模块化封装。
.claude/hooks：“护栏”或者是“钩子”。一些经常运行的脚本代码，例如代码检查，测试用例，脱敏脚本等。这是将知识或流程，以代码的方式保留下来并复用。
docs/：文档，也是 Agent 的更新记录。每次关键修改和关键技术决策，都可以让 Agent 记录成说明放在这里，供今后进一步查询。
各个目录下的本地 CLAUDE.md：这里记录了模块化的修改记录，也是对各个模块的进一步详细说明。当 Agent 在修改某个模块的时候，它可以进一步参考这里的文档。

以上的方法，实际上也是软件开发的 Harness，也就是将软件需求更好地提供给了 Agent，组织更多的信息，并且持续记录操作路径。得到“更可控”的 Agent 输出结果。

Ashpreet 在构建 Agent 应用时发现，Agent 应用的构建方式，和传统的计算机软件大不相同。因为 Agent 的运行模式并非传统的“请求、响应式”的，而是更加持续，更加自主的运行。

Ashpreet 将其特征总结为：

持久性。Agent 运行时间很长，并跨越多个步骤，一旦 Agent 执行失败，需要从中间步骤可以直接恢复，而不是从头开始
隔离性。Agent 总是多用户运行的，那么同时运行的不同 Agent 之前需要数据隔离和逻辑隔离。因为 Agent 的执行有其自主性，所以隔离执行在 Agent 软件中显得更加重要。
Agent 治理。如何避免 Agent 执行毁灭性的操作？经常能在社交媒体上看到 Agent 工具误删除了用户数据且无法恢复的情况，这样的操作明显是无法接受的。
持久化。数据永远是 Agent 能够正确执行任务的关键，而在 Agent 产品中，数据更加重要。没有数据的持久化，Agent 就只能是一个总是在遗忘信息的对话机器人。
规模化。合理的 Agent 架构环境应该是分布式的，并且是规模化可拓展的。
可组合性。Agent 也应该能和外部世界互动，包括被其他的 app 调用，被其他的 agent 调用。因为 Agent 使用的协议和传统计算机系统完全不同，所以通信协议也需要重新设计。

我的感受是，Agent 的颠覆性不仅体现在产品端，更体现在工程端。因为 Agent 的自主运行的特征，其运行的计算机基础设施也需要完整的重新设计一遍。

Ashpreet 的其实就是将“传统的软件工程方法”，更新成为了“AI 时代的软件工程方法”

以上是一篇关于 Agentic AI 的文献综述。

对当代的 Agent 的核心观点为：“现在的 Agentic AI 的集成化已经不仅仅局限于 LLM，而是更强调 Agent 及其环境的完整度，包括工具、记忆、反馈回路和运行环境的结合”。

做一个总结：Agent 的到来，从计算机工程的角度上来讲，是一个工程领域的巨大变革。计算机工程师，在这里蕴藏了巨大的机会。