软件开发正在经历一场由智能体驱动的范式转变。工具的角色从“代码补全”演进到“端到端交付的协作者”，开发者也从“写代码的人”逐步转型为“编排 AI 的人”。
10.1.1 什么是 Vibe Coding
Vibe Coding 用来描述一种“以自然语言驱动、快速迭代”的编程风格：
完全沉浸在“氛围”中，拥抱快速迭代，暂时忘掉代码细节。
下图对比了传统编程与 Vibe Coding 的区别：
Vibe Coding 的特点
Vibe Coding 的局限
尽管 Vibe Coding 降低了编程门槛，但它也存在明显的局限性：
技术债务累积：AI 生成的代码可能包含隐藏的设计缺陷
调试困难：当 AI 生成的代码出错时，不理解代码的用户难以定位问题
幻觉污染：AI 可能编造不存在的 API 或逻辑，导致难以排查的隐蔽 Bug
[!WARNING] Vibe Coding 适合原型验证，但生产级系统需要更系统化的方法。
10.1.2 什么是 Agentic Coding
Agentic Coding 是 Vibe Coding 的进化版：AI 不仅仅生成代码，而是作为一个自主智能体，通过“执行-观察-修正”的反馈闭环，能够：
图 10-1：传统开发与 Agentic Coding 的工作流演进对比
Agentic Coding 的关键特征
特征
Vibe Coding
Agentic Coding
假设需要将一个 Flask API 迁移到 FastAPI：
Vibe Coding 方式：
Agentic Coding 方式：
10.1.3 编程范式演进历程
编程范式随着抽象层级的提升不断演进，先后经历了机器码、结构化编程、面向对象编程、敏捷与 IDE、AI 辅助编程、AI 原生编辑器、Agentic Coding 等阶段。
图 10-2：编程范式演进时间线
编程范式转移的驱动力主要来自如下几个方面：
工具使用能力：模型能调用 shell、编辑器、测试框架等工具形成闭环。
工程化基础设施：可观测性、权限控制、沙箱与评测体系逐步成熟。
标准化与可移植性：工具描述、上下文传递、轨迹事件等逐步走向标准化。
在企业级落地过程中，单纯推广 AI 编程工具往往会遭遇 “AI 提效陷阱”：
用 AI 开发工具 ≠ 个人提效 ≠ 组织提效。实践中常见的现象是：个人编码环节变快了，但如果需求澄清、评审、测试、发布与治理不升级，组织整体交付速度不一定同步提升。为此，可以用一个简化的“研发成熟度模型”来描述演进路线：
任务拆解为多个环节，AI 参与设计/编码/测试，人负责审查。
人定义需求，AI 端到端推进交付，人做关键把关与验收。
这一演进路径说明：真正的增益来自“流程 + 治理”的升级，而不只是“更强的代码生成”。
10.1.4 开发者角色的转变
随着编程范式的转移，开发者的角色也发生了根本性的变化。下面从技能栈的转变、新型开发者画像以及职业发展三个方面进行探讨。
图 10-3：开发者技能栈的转变
[!IMPORTANT] 智能体编程不会取代开发者，而是改变开发者的工作方式。 重复性编码工作将被自动化，但以下能力将更加重要：
10.1.5 Agentic Coding 的工程挑战
尽管前景广阔，Agentic Coding 在工程实践中仍面临挑战：
智能体的行为具有一定的随机性，同样的输入可能产生不同的输出。
应对策略：
大型代码库可能超出上下文窗口限制。
应对策略：
智能体可能执行危险操作或生成不安全代码。
应对策略：
当智能体的输出不符合预期时，很难追踪问题根源。
应对策略：
下一节: 10.2 智能体编程原理
