技术负责人的 Agentic 方法论：与 AI Agent 一起编码、为 Agent 设计
一位技术负责人在 Dev.to 上发表文章，探讨了"Agentic 方法论"（Agentic Methods）对技术负责人（Tech Lead）的影响。文章指出，"Agentic 方法论"涵盖了两个正在碰撞的不同事物：与 AI Agent 一起编码，以及为 Agent 设计。这两个趋势正在改变技术负责人的工作方式，需要新的方法论和思维模式。
背景：Agentic 方法论的兴起
随着 AI Agent 技术的快速发展，"Agentic"成为了技术圈的热门词汇。但很多人对这个概念的理解还比较模糊。
作者将"Agentic 方法论"定义为两个正在碰撞的不同事物：
- 与 AI Agent 一起编码（Coding With AI Agents）：开发者使用 AI Agent 作为编程助手，Agent 可以理解代码、生成代码、调试代码、重构代码等。
- 为 Agent 设计（Designing For Agents）：系统和应用的设计需要考虑 AI Agent 的使用，包括 API 设计、文档、测试、可观测性等。
这两个趋势正在同时发生，并且相互影响。对于技术负责人来说，理解和掌握这两个方面，是带领团队在 AI 时代保持竞争力的关键。
第一部分：与 AI Agent 一起编码
AI Agent 如何改变编码方式
传统的编码方式是：开发者思考 → 编写代码 → 测试 → 调试。AI Agent 的加入，改变了这个流程：
- 代码生成：开发者描述需求，Agent 生成代码
- 代码理解：Agent 帮助理解复杂的代码库
- 代码审查：Agent 自动审查代码，发现潜在问题
- 调试辅助：Agent 分析错误，提供调试建议
- 重构支持：Agent 帮助重构代码，改善质量
- 测试生成：Agent 自动生成测试用例
技术负责人面临的挑战
作为技术负责人，在团队中引入 AI Agent 编码面临多个挑战：
挑战一：代码质量控制
AI Agent 生成的代码可能存在以下问题：
- 代码风格不一致
- 潜在的安全漏洞
- 性能问题
- 不符合团队规范
- 过度工程或不够工程
应对策略：
- 建立严格的代码审查流程，AI 生成的代码必须经过人工审查
- 使用静态分析工具和 lint 工具自动检查代码质量
- 建立编码规范，并将规范提供给 AI Agent 作为上下文
- 对关键模块的代码进行更严格的审查
挑战二：团队技能转型
AI Agent 的引入改变了开发者的工作内容：
- 从"编写代码"转向"审查和验证代码"
- 从"实现细节"转向"架构设计和需求分析"
- 从"记忆 API"转向"理解系统和业务"
- 需要新的技能：提示工程、AI 工具使用、代码审查能力
应对策略：
- 组织培训，帮助团队成员掌握 AI 工具的使用
- 鼓励团队成员从"编码者"向"架构师和审查者"转型
- 建立知识分享机制，让团队成员分享 AI 使用经验
- 调整绩效考核标准，适应新的工作方式
挑战三：生产力评估
AI Agent 提高了编码效率，但也让传统的生产力评估方式失效：
- 代码行数不再是有效的生产力指标
- 任务完成时间可能大幅缩短
- 不同成员使用 AI 的程度不同，难以公平比较
- 代码质量和系统设计能力变得更加重要
应对策略：
- 重新定义生产力指标，关注交付价值而非代码量
- 评估团队的整体产出，而非个人的代码量
- 关注代码质量、系统稳定性、用户满意度等结果指标
- 鼓励团队成员分享 AI 使用技巧，提高整体效率
与 AI Agent 一起编码的最佳实践
1. 建立 AI 使用规范
- 明确哪些任务可以使用 AI，哪些任务需要人工完成
- 建立代码审查流程，确保 AI 生成的代码经过验证
- 规定敏感代码（如安全相关、核心业务逻辑）必须由人工编写
- 建立 AI 使用的安全规范，防止敏感信息泄露
2. 提供高质量的上下文
AI Agent 的输出质量很大程度上取决于输入的上下文质量：
- 维护良好的代码库文档
- 建立清晰的架构文档和设计决策记录
- 提供编码规范和最佳实践文档
- 维护测试用例，作为 AI 理解预期行为的参考
3. 迭代式开发
使用 AI Agent 进行迭代式开发：
- 将大任务分解为小任务，逐个完成
- 每一步都验证 AI 的输出，及时纠正
- 使用 AI 生成初稿，人工进行优化和完善
- 建立反馈循环，不断改进 AI 的输出质量
4. 保持人类在环中
AI Agent 是工具，不是替代：
- 关键决策必须由人类做出
- 代码合并必须经过人工审查
- 系统设计和架构决策需要人类负责
- 安全和合规问题需要人类判断
第二部分：为 Agent 设计
为什么需要为 Agent 设计
随着 AI Agent 越来越多地与软件系统交互，系统的设计需要考虑 Agent 的使用：
- Agent 需要通过 API 与系统交互，API 设计需要对 Agent 友好
- Agent 需要理解系统的行为，文档和可观测性变得更加重要
- Agent 需要验证操作的结果，系统需要提供清晰的反馈
- Agent 需要处理错误和异常，系统需要提供明确的错误信息
为 Agent 设计的关键方面
1. API 设计
对 Agent 友好的 API 设计原则：
- RESTful 设计：使用标准的 HTTP 方法和状态码，Agent 容易理解
- 清晰的资源模型：资源命名一致，层次结构清晰
- 完整的文档：OpenAPI/Swagger 文档完整准确，包含所有端点、参数、响应
- 幂等性：写操作支持幂等，Agent 可以安全重试
- 分页和过滤：列表端点支持分页和过滤，Agent 可以高效获取数据
- 版本化：API 版本化，避免破坏性变更影响 Agent
# 对 Agent 友好的 API 设计示例
# 清晰的资源命名
GET /api/v1/users/{user_id}/orders
POST /api/v1/users/{user_id}/orders
# 标准的 HTTP 状态码
200 OK - 成功
201 Created - 创建成功
400 Bad Request - 请求参数错误
401 Unauthorized - 未认证
403 Forbidden - 无权限
404 Not Found - 资源不存在
409 Conflict - 冲突
500 Internal Server Error - 服务器错误
# 清晰的错误信息
{
"error": {
"code": "VALIDATION_ERROR",
"message": "Email format is invalid",
"details": [
{
"field": "email",
"message": "Must be a valid email address"
}
]
}
}
2. 文档
Agent 依赖文档来理解系统：
- API 文档：完整、准确、及时更新的 API 文档
- 架构文档：系统架构图、组件关系、数据流
- 操作手册：常见操作的步骤和注意事项
- 故障排查指南：常见问题的诊断和解决方法
- 变更日志：系统变更的记录，帮助 Agent 理解行为变化
文档的质量直接影响 Agent 的使用效果。技术负责人需要确保团队重视文档的编写和维护。
3. 可观测性
Agent 需要理解系统的运行状态：
- 结构化日志：日志格式一致，包含足够的上下文信息
- 指标监控：关键业务和技术指标的监控
- 分布式追踪：请求在系统中的完整链路追踪
- 健康检查：系统和组件的健康状态端点
- 事件通知：重要事件的通知机制
可观测性不仅帮助人类运维，也帮助 Agent 理解系统状态，做出更好的决策。
4. 测试
Agent 需要验证操作的结果：
- 自动化测试：完整的单元测试、集成测试、端到端测试
- 测试 API：提供测试环境和测试数据的 API
- 沙箱环境：安全的沙箱环境，Agent 可以在不影响生产的情况下测试操作
- 验证端点：提供验证操作结果的端点
测试不仅保证系统质量，也为 Agent 提供了验证操作的手段。
5. 安全和权限
Agent 的操作需要安全控制：
- 细粒度权限：Agent 的权限精确控制，遵循最小权限原则
- 操作审计：Agent 的所有操作都有审计日志
- 速率限制：防止 Agent 的过度操作影响系统稳定性
- 人工审批：关键操作需要人工审批
- 沙箱隔离：Agent 的操作在隔离环境中执行
安全是为 Agent 设计时不可忽视的方面。技术负责人需要确保系统能够安全地与 Agent 交互。
为 Agent 设计的成熟度模型
作者提出了一个为 Agent 设计的成熟度模型：
| 级别 | 描述 | 特征 |
|---|---|---|
| L1 | 无意识 | 系统设计没有考虑 Agent，Agent 难以使用 |
| L2 | 基础可用 | 有基本的 API 和文档，Agent 可以勉强使用 |
| L3 | 友好设计 | API 设计对 Agent 友好，文档完整，可观测性良好 |
| L4 | Agent 原生 | 系统从设计之初就考虑 Agent，提供 Agent 专用的接口和工具 |
| L5 | 自主协作 | 系统能够与 Agent 自主协作，Agent 可以完成复杂任务而无需人工干预 |
大多数系统目前处于 L1 或 L2 级别。技术负责人应该带领团队向 L3 和 L4 级别演进。
技术负责人的行动清单
基于以上分析，作者为技术负责人提供了一个行动清单：
短期（1-3 个月）
- 评估现状：评估团队当前的 AI 使用情况和系统的 Agent 友好度
- 建立规范：建立 AI 使用规范和代码审查流程
- 培训团队：组织 AI 工具使用的培训
- 改进文档：开始改进 API 文档和架构文档
- 试点项目：选择一个项目试点 AI Agent 编码
中期（3-6 个月）
- 流程整合：将 AI 工具整合到开发流程中
- 技能转型：帮助团队成员从编码者向审查者和架构师转型
- API 改进：改进 API 设计，使其对 Agent 更友好
- 可观测性提升：提升系统的可观测性
- 安全评估：评估 AI 使用的安全风险，建立安全措施
长期（6-12 个月）
- 文化变革：建立与 AI 协作的团队文化
- 架构演进：向 Agent 原生的架构演进
- 度量体系：建立适应 AI 时代的生产力和质量度量体系
- 持续改进：建立持续改进的机制，不断优化 AI 使用和系统设计
总结
"Agentic 方法论"涵盖了两个正在碰撞的趋势：与 AI Agent 一起编码，以及为 Agent 设计。这两个趋势正在深刻改变技术负责人的工作方式。
核心要点：
与 AI Agent 一起编码：AI Agent 改变了编码方式，技术负责人需要应对代码质量控制、团队技能转型、生产力评估等挑战，建立 AI 使用规范、提供高质量上下文、迭代式开发、保持人类在环中。
为 Agent 设计：系统设计需要考虑 Agent 的使用，包括 API 设计、文档、可观测性、测试、安全和权限等方面。技术负责人应该带领团队向更高的 Agent 友好度成熟度演进。
技术负责人的新角色：在 AI 时代，技术负责人不仅是技术专家，还是 AI 工具的推广者、团队转型的引导者、系统设计的变革者。
对于技术负责人来说，理解和掌握 Agentic 方法论，是带领团队在 AI 时代保持竞争力的关键。这不是一个可选项，而是一个必选项。那些能够快速适应和掌握这些新方法论的团队，将在 AI 时代获得显著的竞争优势。
正如作者所说，"Agentic 方法论"不是一个遥远的未来概念，而是正在发生的现实。技术负责人需要现在就开始行动，带领团队拥抱这个变化。
原文链接：https://dev.to/niccou/agentic-methods-for-a-tech-lead-2daf