很多人用 Claude Code、Codex 还停留在“帮我写个函数”的阶段：给一句需求，等它吐代码，出错了再贴报错。工具能做的远不止这些，差别在于你会不会指挥它。

Django 联合创始人 Simon Willison 写了一份《Agentic Engineering Patterns》指南，总结他用 AI 编程 Agent 一年多的实践方法。它不是安装教程，而是一套和 Agent 协作的工作方式：怎么理解 Agent 的底层原理、怎么用子 Agent 节省上下文、怎么用一句 prompt 让 Agent 做测试驱动开发。

本文适合已经在用 Claude Code 或 Codex、想让产出更稳定的开发者。下面按指南的脉络整理：Agentic Engineering 的定义、它和 Vibe Coding 的区别、编程 Agent 的组成、子 Agent 的三种用法、Red/Green TDD，以及几条日常 prompt 习惯。

什么是 Agentic Engineering

Simon 的定义很简单：用 AI 编程 Agent 来开发软件的实践。

重点在 Agent 而不是 Copilot。Copilot 是你写一行它补一行；Agent 是你给一个目标，它自己规划、写代码、执行、验证，循环直到完成。用他的话说：Agent 在循环中运行工具来达成目标。

Claude Code、Codex、Gemini CLI 都属于这一类。它们的关键能力不是生成代码，而是执行代码：能执行才能验证，能验证才能迭代。

那人做什么？Simon 的观点是：写代码从来不是软件工程师的核心工作，想清楚该写什么代码才是。一个问题有几十种解法，各有取舍，人的价值在于在这些选项里找到最适合当前场景的那个。

Agentic Engineering 和 Vibe Coding 的区别

Vibe Coding 是 Karpathy 在 2025 年 2 月提出的说法：让 AI 写代码，你忘掉代码的存在就好。

Simon 的态度是：Vibe Coding 可以用来做原型，不能直接用于生产。Agentic Engineering 要求你审查结果、验证质量，把代码拉到生产级别。一个是让 AI 随便写，一个是让 AI 按规矩写。

AI 编程 Agent 由什么组成

AI 编程 Agent = 大模型 + 系统提示词 + 工具 + 循环。

大模型：核心，本质上是文本续写器；
系统提示词：几百行隐藏指令，告诉模型怎么干活（Codex 的系统提示词在 GitHub 上是公开的）；
工具：十几个可调用的函数，比如 Bash 命令、文件读写、代码执行；
循环：模型调用工具 → 拿到结果 → 继续推理 → 再调用工具，直到任务完成。

还有两个容易被忽略的细节：

大模型是无状态的。 每次调用都从零开始，所谓“对话”，其实是软件把整段历史重新发给模型。对话越长，每轮成本越高，质量也会逐渐下降，这就是上下文管理重要的原因。
Token 缓存能省钱。 多数模型提供商对重复的前缀 token 收费更低。Claude Code 会刻意避免改动历史对话内容，以保证缓存命中、降低费用。

如果你在意这部分成本，可以在 AIGoCode 核对一次任务的用量，看长对话到底花在了哪里。

子 Agent：节省上下文的关键

子 Agent 是什么

子 Agent 是主 Agent 派出去干活的“分身”，每个子 Agent 有独立的上下文窗口，干完把结果交回主 Agent。

为什么要用它？因为上下文是最贵的资源。原文提到，即使模型上下文窗口很大，实际使用中上下文过长后质量就会明显下滑。子 Agent 在自己的上下文里处理子任务，不占主 Agent 的额度。

一个真实案例

Simon 让 Claude Code 给博客的 diff 展示加上字符级高亮。Claude Code 第一步没有直接改代码，而是先派一个 Explore 子 Agent 去摸底，给它写的 prompt 大意如下：

找到这个 Django 博客中实现 diff 视图的代码。我需要找到：
- 渲染 diff 的模板（找带红/绿背景的 HTML/CSS）
- 生成 diff 的 Python 代码（找 difflib 的用法）
- 跟 diff 渲染相关的 JavaScript
- diff 视图的 CSS 样式

彻底搜索 templates/、static/、blog/ 目录。
关键词搜 "diff"、"chapter"、"revision"、"history"、"compare"。

子 Agent 几秒钟就把相关文件路径、代码位置和关键函数整理好交回，主 Agent 再开始改代码。Simon 的评价是，模型给自己写的 prompt 质量相当不错。

子 Agent 的三种用法

探索型：就是上面的例子。主 Agent 不自己翻代码库，派子 Agent 去探索，拿到摘要再行动。
并行型：要改的文件互不依赖时，让主 Agent 同时派多个子 Agent 并行修改，例如：

用子 Agent 并行找到并更新所有受这个改动影响的模板文件。

专业型：给子 Agent 分配角色，比如代码评审 Agent 专门找 bug 和设计问题；测试运行 Agent 跑测试、只把结果摘要交回来（测试输出通常很长，这样能过滤噪音）；调试 Agent 专门定位根因。

Simon 也提醒：别过头。子 Agent 的价值是节省上下文，不是搭几十个 Agent 的复杂编排，保持简单。Codex 也有类似能力，可以参考 Codex 子代理的并行用法。

Red/Green TDD：一句 prompt 提升代码质量

Simon 说他在 Claude Code 里用得最多的一句话是：

Use red/green TDD

主流模型都理解这句话的完整含义：

Red：先写测试，并确认测试是失败的；
Green：再写实现代码，让测试通过。

AI 编程有两个高频问题：写出的代码不能用，或者写了一堆没人需要的代码。测试先行可以同时缓解这两点，因为测试定义了“做对了是什么样”，Agent 按这个标准迭代。

“先确认测试失败”这一步不能省，否则你可能写了一个本来就会通过的测试，等于没写。

几条日常 prompt 习惯

指南最后附了 Simon 日常在用的做法，摘几条：

原型不用 React：他在 Claude 项目里设置自定义指令，让 Artifacts 不用 React，因为 React 需要构建步骤，没法直接复制到静态托管；
AI 校对，但不代笔：拼写和语法可以交给 AI 检查，但带“我”的观点性文字必须自己写；
用 Claude Opus 写图片 alt text：他发现 Opus 在这件事上判断很好，会自己挑出图表里最值得描述的数字。

总结

这份指南的价值不在于某个工具的用法，而是一套和 AI 协作的思路：理解 Agent 是“模型 + 工具 + 循环”，用子 Agent 管住上下文，用 TDD 给 Agent 一个可验证的目标。Simon 有一句话值得记住：大模型不会从过去的错误中学习，但 Agent 可以，前提是我们主动更新指令和工具，把学到的东西写进去。

想直接上手这些用法，可以在 AIGoCode 上接入 Claude Code 或 Codex，按本文的方式先从一个小任务试起。

参考链接

Agentic Engineering Patterns：https://simonwillison.net/guides/agentic-engineering-patterns/
Simon Willison 博客：https://simonwillison.net/