AI Software Engineering Weekly：Agent 从工具走向工程基础设施

过去一年，AI Coding Agent 的竞争重点正在发生变化：模型能力仍然重要，但真正影响工程落地的因素越来越集中在 Agent 的执行体系，包括上下文管理、任务调度、工具协议、隔离执行和长期任务恢复。

本周几个变化共同指向一个趋势：AI Agent 正在从一次性代码生成工具，演变为软件工程基础设施。

当前 AI 软件工程的核心问题已经不是“模型是否能生成代码”，而是：

如何让 Agent 在复杂工程环境中持续、可靠、可验证地完成任务。

一个真实开发任务包含需求理解、代码探索、方案设计、修改、测试、反馈修复等多个阶段，因此未来 Agent 系统需要具备类似软件系统的生命周期管理能力。

Codex CLI 新版本增加了 Agent 管理和 Session 消息能力，包括 codex agents 和 codex queue。¹

传统 Coding Agent 更像一次函数调用：

请求 → Agent → 输出

而新的模式更接近：

Agent Pool
 ├── Feature Agent
 ├── Review Agent
 ├── Research Agent
 └── Test Agent

Agent 生命周期、任务状态和消息传递会成为新的工程问题。

未来设计 Agent 平台时，需要关注：

• Session 生命周期
• Task ownership
• 状态恢复
• Agent 间通信
• 执行记录

多 Agent 并不是简单增加数量，而是引入调度系统。

Model Context Protocol 发布新的规范版本，引入无状态协议核心、扩展机制、Tasks 等能力。²

MCP 的变化说明 Agent 工具连接正在从实验性接口向基础设施演进。

过去工具连接依赖长期 session，而新的设计更加适合 HTTP 基础设施和大规模部署。²

未来企业级 Agent 架构需要考虑：

• Tool discovery
• 权限控制
• 长任务执行
• 可观测性
• 协议兼容

MCP 的价值不只是连接模型和工具，而是定义 Agent 与外部系统交互的标准边界。

Claude Code 持续增强 sub-agent、worktree 和 session 协作能力。³

Agent 修改代码具有副作用，多 Agent 并行执行必须解决隔离问题。

Worktree 不只是 Git 技巧，而逐渐成为 Agent workspace isolation 的基础能力。

推荐根据任务类型选择：

不要为了多 Agent 而拆分任务，边界清晰比数量更重要。

项目级 Agent 配置逐渐成为开发流程的一部分，包括 AGENTS.md、Skills、Rules 和 Hooks。

未来开发效率的提升，不只来自更强模型，而来自更好的上下文工程。

高质量配置应该描述：

• 项目约束
• 架构边界
• 验证方式
• 特殊流程

而不是重复代码已经表达的信息。

Skill 应该像软件组件一样维护：

• 明确输入输出
• 控制上下文大小
• 可测试
• 可复用

AI 软件工程正在进入第二阶段。

第一阶段解决：

AI 能否帮助开发者写代码？

第二阶段解决：

如何让 Agent 成为可靠的软件工程协作者？

未来值得投入的方向包括：

• Agent 生命周期管理
• Context engineering
• Skill 体系建设
• Workspace isolation
• 自动验证体系
• Agent evaluation

与其不断优化 Prompt，不如开始设计适合 Agent 工作的软件工程流程。