Agentic Work in Real Life

LLM 与 Coding Agent 正在改变软件开发。更难回答的问题是：哪些能力在真实工作中成立，为什么成立，它们的边界又在哪里。

本系列不站在 AI 争论的任何一个极端。它既不是 AI 广告，也不是反 AI 宣言；不是模型排行榜，也不是“十个完美 Prompt”的集合。我们关注真实的软件工程实践、系统行为背后的机制，以及这些工具带来的技术、经济与人的后果。

2026 年末的记录

从约 2023 年开始，模型能力变化得非常快。今天观察到的限制可能很快过时，因此具体模型、价格和 Benchmark 只作为带有时间标记的案例。

各篇文章会区分观察、技术解释、推导、观点，以及明确标注的未来假设。一次成功的演示说明某件事可能做到，却不能自动说明它可以多么可靠地复现。

“可以运行”意味着什么？

代码可以运行只是最低标准。可维护性、可变更性、可测试性、安全、架构一致性与经济合理性同样需要验证。代码生成越便宜，瓶颈越可能转向 Requirements、决策、架构、Review 与验证。

这也带来人的问题：如果 Agent 在经济上替代了大量过去由 Junior 和 Mid-level 开发者承担的任务，未来的 Senior Engineer 将如何获得经验？Junior 工作不仅贡献产能，也是培养能力的路径。

文章

1. Agentic Work in Real Life
2. LLM 是如何工作的——你应该了解的核心术语
3. 如何衡量 Coding AI——SWE、SWE-bench Pro 与 Benchmark
4. Context、Memory、Skills 与 Agents
5. 为什么同一个任务不会总是得到同一个解决方案
6. 为什么 AI 可以“错得很有说服力”
7. 当 Prompt Engineering 遇到 Requirements Engineering
8. 架构作为 Constraint——缩小 AI 的解决方案空间
9. 隐私、机密性与 Trust Boundaries
10. Agentic Coding 实战——Diverge · Decide · Converge
11. 为什么好的软件通常也更 AI-friendly
12. Generation is cheap, verification is expensive
13. Agentic Work 的经济学
14. 当代码变得廉价——开发者和软件会发生什么？

LLM 与 Agentic Engineering 术语表提供了本系列核心概念的简短定义。