Coding Agent 工程：从 Prompt 到 Graph

一个有用的 Coding Agent 可以从 Prompt 开始，但进入真实仓库以后，问题很快就不只是“怎么提问”。系统还要选择上下文、保存正确的信息、提供工具、控制权限、根据反馈迭代，并协调那些已经无法装进一个局部 Loop 的工作。

这里是 AI Coding Club 的 Agent Engineering 教程地图。它按照责任边界组织，不按照某个产品组织，也不是必须逐关完成的课程。

如果你是从 Loop 和 Graph 的讨论来到这里，可以先看 Loop Engineering vs Graph Engineering。那篇文章解释为什么 Agent 数量、局部反馈循环和 Graph 拓扑是三个不同的设计维度。

主线层级

层级	它负责回答的问题	从这里开始
Prompt	现在希望模型做什么？	提示工程 101
Context	当前任务应该获得哪些信息？	掌握上下文的艺术——基础课程
Memory	什么应该长期保存，什么应该过期？	Coding Agent 的记忆应该保存什么？
Instructions	这个仓库始终应该遵守哪些规则？	AGENTS.md 完整指南
Skills 与工具	系统有哪些可复用流程、事件控制和外部连接？	Claude Code 的 Skills、Hooks 和 MCP，再做 Agent Skills 负载测试
Interface	Agent 请求的哪些组件和动作可以进入应用的 live state？	A2UI 可信 Host 实战
Harness	Context、工具、权限、记忆、执行和验证怎样围绕模型组装？	Coding Agent Harness 完整指南
Loop	一个有边界的工作单元怎样通过反馈改进，并知道何时停止或升级？	Loop Engineering 实战
Graph	工作单元怎样交换状态、串行或并行运行、否决行动并治理目标修改？	Graph Engineering 实战

这些层级彼此相关，但不会互相取代。Context 变好以后仍然需要 Harness；Graph 也不会替代其中运行的 Loop；增加更多 Agent 更不会自动得到 Graph。

贯穿所有层级的保障

有些责任不是单独的一层，而是贯穿整个系统：

• Coding Agent 的沙箱到底保护了什么？解释执行边界保护了什么，以及 Host trust 仍可能从哪里越界。
• AI Code Review 工作流解释如何把需求、Diff、测试和残余风险变成有证据的合并判断。
• Coding Agent Observability解释如何保存工具失败、重试、Token、Handoff 和明确的遥测缺口。
• Coding Agent Evals把保存的 Trace 变成本地 case、确定性检查和可执行的 CI 门禁。

从哪里开始

• 刚开始使用 AI 编程：先看 Prompt 和 Context。
• 已经在使用终端 Agent：继续看 Memory、Instructions、Skills 和 Harness。
• 正在设计无人值守或多步骤系统：先看 Loop Engineering，再进入 Graph Engineering。
• 正在准备 AI Agent 工程岗位：进入 AI Agent 工程师面试与求职指南，把这些技术层级整理成面试能力地图和项目证据计划。

真正长期有效的问题，不是哪个新名词赢了，而是系统已经把哪些责任显式设计出来，还有哪些责任仍然藏在 Agent 的行为里。