从 Code Agent 视角看：AI 时代该学哪些软件工程、Agent 现有能力与用户要做的事

Sun, 06 Sep 2026 14:00:00 +0800

最近一直在用 Claude Code 写代码，越用越觉得：AI 能力越强，软件工程的价值反而越凸显。这篇是从一个 Code Agent 用户的视角，整理一下我对这个问题的思考。

核心逻辑

LLM 上下文窗口有上限，拉长上下文会带来注意力稀释、输出质量下滑。即便依靠上下文工程（Context Engineering）缓解，随着项目代码体量膨胀，依然会出现代码臃肿、项目难维护、性能失控。

AI 擅长写片段代码，但不会自动产出高质量、可长期维护的工程系统。所以人这一侧需要补上"做正确的系统"这一课。

不要把大项目全部丢给 LLM。学会合理做模块划分、边界定义、依赖隔离，把大系统拆成多个小的独立单元，刚好适配 LLM 有限上下文，每次只让 Agent 处理局部模块。

重点：高内聚低耦合、接口契约设计、分层设计。

代码规范、目录结构、命名规范、依赖管理、版本控制（Git）、CI/CD 流水线。AI 生成代码风格飘忽，统一规范可以约束 Agent 输出，减少后期整改成本；版本控制更是兜底，防止 AI 大面积改写搞坏项目。

单元测试、集成测试、契约测试。LLM 很容易写出能跑但暗藏 bug、边界 case 缺失的代码。不能只靠 AI 自测，人要会设计测试用例，用测试去校验 Agent 产出，把测试作为约束 AI 输出质量的手段。

属于适配 LLM 开发的新型工程能力：

只把当前任务相关代码喂给模型，而不是整个仓库。用来缓解上下文长度不足、注意力分散问题。

识别 AI 带来的技术债务：AI 快速堆出来的代码常出现重复、硬编码、逻辑混乱。学习重构、解耦、代码评审方法，定期清理 AI 遗留债务，避免项目越迭代越失控。

LLM 生成代码经常忽略异常捕获、资源释放、性能损耗、安全漏洞。需要掌握性能分析、异常处理、安全校验，对 Agent 产出做审查把关。