用途
Agentic Engineering 用于这样的工程工作流：AI 智能体执行大部分实现工作，人类负责把关质量与风险控制。它适合在规划或执行工程任务时使用，帮助把「让智能体写代码」变成可度量、可控制、成本可追踪的过程。
主要能力
运行原则
- 在执行之前先定义完成标准。
- 把工作分解为智能体可处理的单元。
- 按任务复杂度路由模型层级。
- 用评估（evals）和回归检查进行度量。
评估优先循环（Eval-First Loop）
- 定义能力评估（capability eval）与回归评估（regression eval）。
- 运行基线并捕获失败特征（failure signatures）。
- 执行实现。
- 重跑评估并比较差异（deltas）。
任务分解
采用 15 分钟单元规则：
- 每个单元应可独立验证；
- 每个单元应只有一个主导风险；
- 每个单元应暴露清晰的完成条件。
模型路由
- Haiku：分类、样板转换、窄范围修改。
- Sonnet：实现与重构。
- Opus：架构、根因分析、多文件不变量。
会话策略
- 紧密耦合的单元延续同一会话。
- 重大阶段转换后新开会话。
- 在里程碑完成后压缩，而不是在活跃调试期间压缩。
AI 生成代码的评审重点
优先关注：
- 不变量与边界情况；
- 错误边界；
- 安全与鉴权假设；
- 隐藏耦合与上线风险。
当自动化格式化/检查（format/lint）已经强制风格时，不要把评审周期浪费在仅风格层面的分歧上。
成本纪律
按任务跟踪：
- 模型；
- token 估算；
- 重试次数；
- 实际耗时（wall-clock time）；
- 成功/失败。
仅当较低层级模型因明确的推理缺口而失败时，才升级模型层级。
使用方式
该技能以工作流规范的形式给出，使用时按上述原则组织工程任务：先定义完成标准与评估，再分解任务、选择模型层级、执行实现，最后用评估与回归检查验证，并记录成本指标。具体安装命令、调用方式与配置参数暂未提供。
适用场景
- 由 AI 智能体承担主要实现工作的工程任务；
- 需要人类集中把关质量与风险的开发流程；
- 需要按复杂度控制模型成本、并用评估衡量效果的场景。
限制
资料未提供该技能的具体平台依赖、安装方式、支持的工具链、收费与价格信息，也未提供实际效果数据，这些内容暂未提供。