导读：为什么工程师必须重学写代码
导读：为什么工程师必须重学写代码
Agent First Engineering：AI 时代软件开发范式全解
作者：Charlie Cao & Angel Zhang | 2026 年 5 月
这本书从一个观察开始
2025 年底，我们在一次内部技术分享上做了一个实验：让两组工程师用相同的 AI 工具（GitHub Copilot）完成相同的功能开发任务。唯一的区别是：一组工程师有精心配置的 .github/ 目录（包含 copilot-instructions.md、SKILL.md 和几个 Prompt 模板），另一组没有任何配置。
结果的差距超出了所有人的预期。
有配置的一组：平均 47 分钟完成，代码审查发现 0 个规范违反，直接合并。 没有配置的一组：平均 2.5 小时完成，代码审查发现 3-7 个规范违反，需要修改后才能合并。
同样的 AI 工具，5 倍的效率差距——不是因为工具不同，而是因为使用方式不同。
这本书就是关于"使用方式"的。
这本书是写给谁的
主要读者：有 1-3 年经验的软件工程师，正在或想要在日常工作中整合 AI 编程工具（GitHub Copilot、Claude、Cursor 等）。
你不需要是 AI 专家，也不需要了解大语言模型的工作原理。你需要的是：愿意重新审视你的开发工作流，把"使用 AI 工具"从偶尔为之变成日常实践的核心部分。
这本书对你最有价值，如果你：
- 已经在用 Copilot 或其他 AI 工具，但感觉效果不稳定，好的时候很好、差的时候很差
- 听说过 Agent 模式，但没有系统地用过，或者用了觉得效果不如预期
- 想在团队里推广 AI 辅助开发，但不知道从哪里建立规范
- 对"AI 会替代工程师"这个说法感到困惑，不知道应该如何定位自己
这本书可能不适合你，如果：
- 你在寻找特定工具的使用教程（本书讲的是原则和方法论，不是按钮在哪里点）
- 你已经是 AI 辅助开发的深度实践者，有完善的工作规范（你可以直接跳到第 10-12 章）
- 你期望 AI 工具能完全替代思考（本书的核心论点恰恰相反）
三种学习路径
根据你的情况，推荐三种不同的阅读路径：
路径一：工具型（2-3 小时）
目标：快速建立基础的 AI 工作规范，立刻改善日常开发效率。
推荐顺序：第 3 章（上下文工程）→ 第 4 章（构建 AI 工作规范）→ 第 2 章（Copilot 能力图谱）→ 第 5 章（Prompt 工程实战）
读完后的即时行动：创建 copilot-instructions.md 和第一个 Prompt 模板。
路径二：深度型（完整阅读，7-10 小时）
目标：系统理解 Agent-First 工程的完整方法论，从范式到实践。
推荐顺序：按章节顺序阅读，第 1-6 章建立基础，第 7-12 章扩展到开发流程的每个环节。
建议每读完 3 章，停下来实践一周，然后继续。理论和实践交替进行，吸收效果最好。
路径三：实战型（先读案例，再补理论）
目标：先看结果，再理解背后的方法。
推荐顺序：第 11 章（实战案例）→ 找到最相关的案例 → 回头读对应的方法章节 → 在自己的项目上实践
这个路径适合已经在用 AI 工具但效果不满意的工程师——通过案例直接看到"有效的方式是什么样的"，然后反向学习方法。
技术栈说明
本书的代码示例使用 FastAPI + SQLAlchemy 2 async + PostgreSQL + Pydantic v2 技术栈，这是作者真实运营的 SaaS 项目的技术选型。
但是：本书的原则完全与技术栈无关。
无论你用的是 Django、Rails、Spring Boot 还是 Go + Gin，核心方法论是相同的：
- 上下文工程（第 3 章）：适用于任何技术栈
- AI 工作规范（第 4 章）：框架不同，内容不同，但结构相同
- Prompt 工程（第 5 章）：语言无关，原则通用
- 测试的新使命（第 6 章）：测试框架不同，但优先级和工厂模式原则相同
遇到 Python/FastAPI 特定的代码示例时，把它理解为"展示这个原则如何在具体技术上落地"，然后转化到你自己的技术栈。
如何配合本书使用 GitHub Copilot
这本书本身可以作为你建立 AI 工作规范的起点：
读第 3-4 章时：打开你的代码库，一边读一边建立 copilot-instructions.md。不要等到"读完全书再实践"，边读边做效果是最好的。
读第 5 章时：尝试书中的 Prompt 框架，用你自己的任务来验证它们是否有效。
读第 6 章时：检查你当前测试套件的状态，找出最需要补充的测试类型。
读第 7-9 章时：逐一审视你的文档体系、基础设施配置和需求管理流程，识别最大的改进机会。
读第 11 章时：找到和你当前工作最相关的案例，把它当作模板，在你自己的项目上尝试相同的方法。
一个承诺
这本书试图做到：每一个建议都有实际的项目验证，不只是理论推演。
你会发现书里的例子很具体、很"接地气"——函数名是真实的、错误是真实犯过的、数字是实际测量的。这是我们认为技术书籍最重要的品质：可信赖的具体性，而不是漂亮的泛泛之词。
如果你在实践中发现书中的建议不适用于你的情况，那可能是因为约束条件不同。本书的建议来自特定的项目背景，你应该理解背后的原则，然后根据自己的情况调整，而不是盲目套用。
工程师的判断力，始终是最重要的工具。
Charlie Cao & Angel Zhang
2026 年 5 月