行业正在经历从”AI 帮你写代码”到”AI 作为执行体、工程师做系统设计者”的三阶段迁移。以下是六大范式的完整梳理。
一、三次迁移
| 阶段 | 代表范式 | 核心变化 |
|---|---|---|
| 第一阶段 | Vibe Coding | AI 帮你写代码，核心价值是提速 |
| 第二阶段 | Spec Coding、Context Engineering | AI 按规格和上下文写，核心价值是减少偏差 |
| 第三阶段 | Agentic Coding、Harness Engineering、AI-Native SDLC | AI 作为执行体，工程师改做系统设计者 |
二、六大范式
1. Vibe Coding
靠自然语言驱动 AI 快速出结果，强调”先跑起来”。
- 适合：MVP、demo、小工具、快速试错
- 风险：代码能跑但不可维护，需求一复杂就失控
- 注意：“Vibe coding” 由 Andrej Karpathy 在 2025 年 2 月提出，不是 Google Cloud 定义的概念
2. Spec-Driven Development / Spec Coding
先写规格，再让 AI 生成实现。
规格包括：业务规则、约束条件、技术边界、接口契约、验收标准、实施步骤。
- 适合：多人协作、中大型项目、需求复杂且变化频繁
最小落地形态——一个需求至少沉淀成 6 段：
1. 目标
2. 用户场景
3. 业务规则
4. 非目标
5. 技术约束
6. 验收标准
3. Context Engineering
不是教 AI 怎么说，而是设计 AI 看到什么、基于什么做决定。
Context 包括：仓库结构、历史代码模式、组件规范、接口文档、测试样例、设计稿约束、业务术语表、质量标准、失败案例。
- 适合：大仓库、遗留系统、业务复杂的团队、组件库和平台型团队
Spec Coding vs Context Engineering 的本质差异
- Spec Coding = 意图层：做什么、验什么（目标和验收标准）
- Context Engineering = 知识层：基于什么信息做（代码现场和知识底座）
两者互补不互斥。
4. Agentic Coding / Agentic Engineering
AI 不只生成代码，而是执行任务链：读仓库 → 查文档 → 改多个文件 → 跑测试 → 修复报错 → 提 PR。
- 适合：重复性工程任务、跨文件修改、自动化修复
5. Harness Engineering
工程师的主要工作不再是亲手写大量业务代码，而是设计一套让 agent 稳定产出的环境、工具链、约束和流程。
关注：如何拆任务、如何给 agent 配工具、如何搭沙箱/执行环境、如何定义 guardrails、如何做结果校验。
- 适合：平台团队、基建团队、研发效能团队
6. AI-Native SDLC
不只改编码，而是改整个研发流程。AI 改变从需求、设计、编码、测试到反馈的整个生命周期，人类工作重心转向更深层的推理、问题定义和系统整合。
三、五层递进结构
第 1 层：快速生成 → Vibe Coding
第 2 层：约束生成 → Spec Coding + Context Engineering
第 3 层：自动执行 → Agentic Coding
第 4 层：系统化产出 → Harness Engineering
第 5 层：组织重构 → AI-Native SDLC
四、每个范式解决什么问题
| 范式 | 解决的核心问题 |
|---|---|
| Vibe Coding | 先做出来 |
| Spec Coding | 别做偏了——目标和验收标准先定清楚 |
| Context Engineering | 别因为信息不全做错了——背景知识备齐 |
| Agentic Coding | 别让我一条一条手动操作 |
| Harness Engineering | 别每次都靠人盯，把 AI 生产线搭出来 |
| AI-Native SDLC | 别只优化一个人，优化整个团队和流程 |
五、业务研发团队的落地优先级
对业务研发 / 端侧 / 复杂需求协作团队，推荐优先级：
- Spec Coding（最先）：解决需求反复、验收口径不统一的问题
- Context Engineering：解决 AI 不知道项目结构、组件规范的问题
- Agentic Coding：spec 和 context 稳定后再让 agent 干跨文件改造、批量替换等任务
- Harness Engineering：偏基建/效能同学做，搭标准化任务模版、自动验收链路
六、判断是否进入新范式的三个维度
- 意图怎么表达 → 对应 Spec Coding
- 上下文怎么供给 → 对应 Context Engineering
- 执行怎么组织 → 对应 Agentic / Harness Engineering
只要这三件事开始被系统化设计，而不是靠人临场 prompt，基本就算进入新范式了。
七、AI 生成内容的引用验证风险
使用 AI 整理带引用的内容时，链接存在”幻觉”风险：
- URL 格式合理但实际页面不存在
- 归因正确但脚注指向错误来源（如 Karpathy 的定义被归给 Google Cloud）
- 发布时间与实际不符
原则：内部分享前逐条点开验证，AI 生成内容中的 URL 可信度远低于文字本身。