坦率的讲，我最近被一个数字吓到了。
57%。
57%的团队现在已经在生产环境里跑着AI agent了。
然后我看了一眼招聘市场，发现一个特别有意思的错位——大量的人在学怎么写prompt，大量的人在问怎么调API，但真正稀缺的人，是那些能让agent在凌晨两点不出事的工程师。
这两个技能之间，差着大概15万刀的年薪。
今天聊一个我研究了挺久的东西，怎么在没有CS学位、没有bootcamp、连transformer是啥都懒得查的情况下，成为一个AI工程师。
说真的，这个话题我想聊很久了。
先泼一盆冷水
大多数现在在做AI开发的人，说实话，在做玩具。
套一个GPT，加几个prompt，做成一个chatbot wrapper，然后管它叫AI产品。
然后呢？
然后就奇怪为什么没人付费。
市场上全是这种薄薄的LLM外衣。这些不是business，是等着被Big Tech一波带走的feature。
公司真正在付钱买的，是这样的能力：
能扛住周五晚上两点突发流量的agent。
能测量、能证明没有在退步的系统。
能让同一个模型性能提升86%的harness。
对，你没看错，86%。
Anthropic做过一个实验，同一个模型（Opus 4.5），跑了两个不同的harness。
Claude Code harness：78% on CORE benchmark。
Smolagents harness：42% on CORE benchmark。
同一个模型，不同的harness，差了36个点。
这36个点，就是你存在的价值。
AI工程师到底是干嘛的
不是写prompt。
不是选模型。
是在模型外面建一整套系统，让这个模型在生产环境里能跑、能用、能被人依赖。
具体来说就是这些：
设计agent loop和tool dispatch。
工程化context——在每一步，到底有哪些token送到模型面前。
写能让模型正确调用的工具。
给生产流量加上memory、durability、sandboxing。
接evals和CI regression gates，让「变好」这件事变得可测量。
把能扛住真实用户和真实成本的agent交付出去。
这里有个核心概念得先搞清楚。
Context Engineering。
Prompt engineering作为独立技能，已经死了。
现在你需要的是context engineering，也就是怎么管理模型看到的上下文。
有四个基本原语：
Write——让agent读写scratchpads和memory文件。
Select——在需要的时候做retrieval，而不是一开始就往里灌。
Compress——在context window用到85%到95%的时候做summarization。
Isolate——用sub-agent，每个sub-agent有自己的独立context window。
这四件事，就是context engineering的核心。
17周的路线图
全职学17周，兼职学40周。
每个阶段一个具体项目。没有项目不进入下一阶段。
说真的，这个节奏我很喜欢。学东西最怕的就是光看不练。
Phase 0：先建正确的思维模型（第1-2周）
先别写一行agent代码。
大多数初学者跳过了这一步，直接看教程，然后写出来的代码一旦出问题就完全无法debug。
三件事必须在动手之前搞透：
1. Workflow vs Agent
Workflow的控制流是写死的，agent的控制流是它自己在loop里做决策的。
该用workflow的时候写了agent，成本多10倍，出bug概率多一倍。
2. 五个workflow patterns
这个来自Anthropic，我直接列出来：
Prompt chaining：上一个调用的输出传给下一个。
Routing：根据任务类型分发给不同模型。
Parallelization：多个任务同时跑。
Orchestrator-worker：一个大脑，多个执行者。
Evaluator-optimizer：生成→判断→改进。
3. Harness是什么
Harness是模型API和你之间那层东西。
打个比方：
Model = CPU，原始算力。
RAM = context window。
OS = harness。
Apps = agent的skills。
CPU能干啥，取决于操作系统。
模型能干啥，取决于harness。
Phase 0的project：写一份两页的文档，用自己的话定义：workflow vs agent、五个workflow patterns、四个context primitives、orchestrator-worker pattern。
如果不能脱稿写出来，说明还没理解到位。
Phase 1：从零构建第一个Agent（第3-5周）
写两遍agent。
第一遍，用原始的Anthropic SDK，大概100行Python。
第二遍，用Claude Agent SDK。
然后感受差异。
Build #1：裸循环
Agent loop一点都不神奇，就是这几步：
- 拿messages和tools调模型
- 解析出tool_use blocks
- 执行tool
- 把tool_result加回去
- 循环直到stop_reason = end_turn
自己写一遍，100行以内搞定。
一旦你写过这个，所有框架的代码你都能看懂了。
给它三个tool：web_search、read_file、write_file。
跑一个研究任务，把每一步的trace都读一遍。
Build #2：用Claude Agent SDK重写
Claude Agent SDK就是驱动Claude Code的那个harness。
加上这些：
CLAUDE.md，里面写项目规范。
一个Skill（一个文件夹，定义一个research-summary输出格式）。
一个PostToolUse hook，自动格式化agent写的每个文件。
一个通过Task工具生成的sub-agent。
然后写200字回答一个问题：「这次harness免费给了我什么，是我Build #1里自己写的？」
Phase 1的project：一个每日简报agent。读取你的Markdown笔记加RSS feeds，每天早上写一份摘要到磁盘。跑一周，看它怎么挂的，然后修复。
Phase 2：构建有正确架构的真实Agent（第6-9周）
现在用LangGraph加Deep Agents来构建。
这是生产级stack。
LangGraph给你：状态机（nodes加edges）、PostgresSaver checkpointing（任意进程kill都能恢复）、时间旅行debugging（回到任意步骤）、human-in-the-loop interrupts、一手的LangSmith可观测性。
Deep Agents（LangChain打包的harness）给你：Planning middleware、虚拟文件系统、sub-agent生成、自动context compression、Skills。
核心概念：middleware。
Middleware是你定制一个打包好的agent而不用fork它的方式。
四个关键hook：
before_agent——loop开始前运行。
wrap_model_call——包装每个LLM调用。
before_tools——任何tool执行前运行。
after_tools——任何tool执行后运行。
Phase 2的project：研究分析师Agent。
输入一个研究问题。
架构：
Lead agent规划，写TODO list到虚拟文件系统。
并行生成3个搜索sub-agent（隔离context）。
Sub-agent写结果到文件，向父agent返回简短摘要。
Citation sub-agent验证claim。
Writer agent产出带inline citations的最终Markdown。
通过PostgresSaver持久化状态——kill进程后从断点恢复。
Human-in-the-loop interrupt：在token消耗超过1美元之前要求确认。
交付时附带一个LangSmith trace URL。
Phase 3：自己构建Harness层（第10-13周）
这是整个路线图里杠杆效应最高的阶段。
停止使用打包好的harness，自己写一个薄的。
不自己写过一次，你永远不会在生产环境里做出正确的harness取舍。
现代harness的10个组件：
- Loop control——驱动model→tools→model的while循环
- Tool dispatch——注册、schema验证、并行调用、重试
- Context management——system prompt组装、在window的85%处做compaction
- Persistence——每个node都checkpoint状态，支持resume、rewind、fork
- Sub-agent orchestration——隔离context的children、压缩摘要传回父agent
- Skills & progressive disclosure——只在相关时加载能力
- Hooks——PreToolUse、PostToolUse、PreCompact、Stop
- Observability——每个model调用、tool调用、sub-agent调用都有OTEL spans
- Sandboxing——代码在容器里执行，模型永远没有credentials
- Auth brokering——credentials永远不进模型的context
Phase 3的project：写一个mini-harness，大概1500行Python。
必须包括：
Tool registry来自@tool装饰器，带JSON-schema生成。
CLAUDE.md风格的system prompt loader。
SKILL.md渐进式披露loader。
Sub-agent生成原语，带隔离context。
Filesystem offload：任何超过20K tokens的tool result写到磁盘，context里替换成路径加10行preview。
在context window的85%处自动compaction。
可插拔hook系统（pre_tool、post_tool、stop）。
OpenTelemetry tracing。
Durable resume：每一步后持久化到SQLite，通过run ID重新加载。
真实交付物：1000字的后验分析，对比你的mini-harness和Claude Agent SDK及Deep Agents。你做对了什么，砍掉了什么，下次会怎么做不同。
Phase 4：构建Eval和Regression Harness（第14-17周）
没有这个，所有「改进」都是感觉。
这是大多数工程师卡住的地方。
他们能构建一个很棒的agent，但无法判断下一次改动是让它变好了还是变差了。
四种你必须实现的eval类型：
1. Single-turn evals
给定输入，输出对不对。最便宜，尽量用确定性grader。持续跑。
2. Trajectory evals
Agent是否调用了正确的tool序列，参数是否正确。测试单步、全turn、多turn变体。
3. LLM-as-judge
开放式输出用这个：研究报告、code review、解释。每周用人工评级的样本校准。
4. End-state evals
有状态agent用：数据库写对了吗？正确的文件改了吗？把最终环境状态和ground truth对比。
一个不舒服的真相：
模型能检测到自己正在被评估。它们的表現会不同。
设计eval suite时要用真实的production queries，不要用合成数据。
Phase 4的project：给你的Phase 2 agent做regression harness。
Golden dataset：30到50个手工评级的研究问题（3个难度级别）。
事实类查询用确定性grader。
开放式用LLM-as-judge，五标准rubric。
Trajectory eval：agent是否做了规划、是否生成了2个以上sub-agent、是否引用了来源、是否在预算内完成。
接进GitHub Actions：golden set通过率下降3个点以上就block merge。
Production sampling：1%的线上trace做夜间自动评级。
Phase 5：生产环境加固（永久）
这个阶段永远不会结束。
五件永远重要的事：
1. 成本控制
缓存CLAUDE.md、system prompt、tool定义——能节省90%。
按难度路由：简单任务用Haiku，大多数任务用Sonnet，难的推理用Opus。
Batch API做非实时工作：有5折。
Multi-agent消耗的tokens大概是single-agent的15倍——只有在价值超过这个门槛时才用它。
2. 延迟
并行tool调用，永远——Anthropic自家研究agent的system prompt里明明白白写着「MUST use parallel tool calls」。
流式输出partial结果到UI。
Sub-agent扇出：一个60步的sequential agent可以优化成10步lead加5个并行10步sub-agent。
3. 安全和沙箱
所有代码执行都在沙箱里（Modal、E2B）：永远不要在主进程里exec()模型输出。
Credentials在model context外面broker：模型永远看不到它用的API key。
任何不可逆操作都要human-in-the-loop interrupt。
4. 监控和漂移
告警项：每个请求的token成本、tool调用失败率、LLM-as-judge分数、p95延迟。
每次模型升级后重新校准evals——harness里编码了对模型能力的假设，这些假设会过时。
5. 弹性
任何运行超过60秒的agent都要用durable execution（Inngest、Temporal、PostgresSaver）。
每个node后checkpoint。
Rewind和fork永远要能实现。
五个生产级项目（选一个这周末就做）
按复杂度排序。
它们证明了你有公司真正需要的能力。
项目1：带SLM的AI移动应用
级别：入门 | 证明：Edge AI + 资源优化
用小语言模型构建离线优先移动应用。零API成本。完全隐私。
非trivial的地方：
按需lazy-load模型，内存压力时unload。
带语义分块的滑动context window。
老设备用4-bit quantization，新设备用8-bit。
Batch inference减少电池唤醒周期。
项目2：自我提升的编码Agent
级别：中级 | 证明：Agentic循环 + 生产环境调试
构建一个写代码、跑测试、从失败中学习的agent。不到代码可用不停。
非trivial的地方：
Plan→Execute→Test的反射循环，有最大迭代限制。
每个任务有隔离执行环境和资源限制。
Memory层级：短期（最近5次迭代）、长期（成功的patterns）、失败memory（错误签名加解决方案）。
执行前静态分析——检测危险操作。
项目3：视频编辑版的Cursor
级别：高级 | 证明：多模态AI + 复杂工具集成
Fork一个开源编辑器（Shotcut），构建一个理解剪辑意图的AI agent。
用户说「让这个有电影感」，agent处理剪辑、转场、色彩分级。
非trivial的地方：
Vision model分析每一帧，audio model分析对白。
意图翻译：「电影感」→具体参数（节奏、LUT、焦点模拟）。
通过帧差分析做场景检测。
增量预览——只重渲染受影响的部分。
项目4：个人生活OS Agent
级别：专家 | 证明：深度Context + 隐私优先架构
构建一个管理你的日历、财务、健康的agent。提前数月规划。通过分析睡眠模式和会议密度检测倦怠。
非trivial的地方：
实时摄取日历、财务、健康、通讯数据。
个人知识图谱，实体和关系。
每6小时运行一次的后台线程，检查异常。
价值对齐：用户声明优先级（家庭>工作）——每条建议都按优先级验证。
所有数据静态加密，密钥用户可控。
项目5：自主企业工作流Agent
级别：大师 | 证明：生产级编排
一个跑端到端业务工作流的agent。
监控Slack/Jira→规划执行→分发任务→汇报结果，附完整审计日志。
非trivial的地方：
事件驱动：监听Slack、Jira、email、监控系统。
多agent委派：orchestrator→communication agent、data agent、analysis agent、documentation agent。
自愈：指数退避、熔断器、自动重试决策。
不可变审计日志：每个操作、授权人、结果。
Human-in-the-loop：关键工作流执行前agent先提出计划。
技术栈
Framework：LangGraph 1.0 + Deep Agents。
为什么不选CrewAI、AutoGen、OpenAI Swarm？
CrewAI：demo最快，生产环境最脆。hackathon用用就行。
AutoGen：合并进了Microsoft Agent Framework。前途不明。
OpenAI Swarm：OpenAI自己在README里写了「not production-ready」。
LangGraph给你：状态机 + PostgresSaver持久化 + 时间旅行调试 + OTEL友好可观测性 + 模型无关。
Harness参考：Claude Agent SDK。
学它，用它。它就是Claude Code用的那个harness。
CLAUDE.md + Skills + sub-agents + hooks + filesystem-as-memory。
2026年所有其他harness都在向这些原语收敛。
可观测性：选一个。
LangSmith：如果你用LangGraph。
Braintrust：如果你想要框架无关的CI gating（每月249刀flat）。
Arize Phoenix：如果你想要开源 + OTEL原生。
2026年跳过这些：
OpenAI Swarm——not production-ready（可以用Kimi Agent Swarm）。
OpenAI Assistants API——2026年中停用。
在没测量到实际recall问题之前不要自己搭向量库。
除非是临时用，否则跳过no-code agent平台。
一些benchmark数字
SWE-bench Verified（编码任务）：
Claude Opus 4.7：约87.6%
GPT-5.5：约88.7%
GAIA（通用agent任务）：
Claude Sonnet 4.5领先，74.6%
τ-bench（客服agent）：
Claude Mythos Preview：89.2%
关键洞察：同一个benchmark，不同harness，差距10到36个点。
模型没那么重要，harness才是。
说点真心话
大多数人会看完这篇文章，然后什么都不做。
收藏，说「好文」，回去继续做wrapper。
2026年的残酷真相：
可替代的：做薄薄的GPT wrapper。
不可替代的：交付带evals和durability的自主系统。
中间隔了5个项目和17周专注工作。
57%的团队现在生产环境里有agent。
其中89%接了可观测性。
质量是第一障碍（32%的团队提到了这一点）。
整个领域的瓶颈，是会做evals和harness的工程师。
不是会调LLM API的工程师。
这就是那个job opening。
这份路线图不会让你在17周内成为一个principal AI工程师。
但它会让你成为能构建和交付扛住生产流量的agent系统的人。
而这个能力，恰好是公司现在在付钱的。
下一步很简单：
挑一个项目。新手从项目1开始，已经在写代码的从项目5开始。开始就行。
这周末就开始构建。市场奖励交付，不奖励学习。
把一切都记录下来：你的架构决策、你的失败和恢复、你的自我修正循环。
公开发布。发布的时候@我，我会帮你传播。
到下个月，90%的人什么都不会做。他们还在做同样的wrapper。
另外10%的人会交付一些真实的东西。他们会有面试、有offer、有职业筹码。
选择很简单：
成为公司急需招聘的架构师，或者被时代淘汰。
专业能力是唯一的job security。生产系统是唯一重要的作品集。
现在，去构建能扛住现实的东西。
以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～
谢谢你看我的文章，我们，下次再见。