1. 背景

在复杂的全栈项目中，AI Agent 的应用面临三大核心问题：

• Agent 的失控与翻车：由于上下文窗口耗尽、缺乏跨会话记忆以及验证不足，Agent 常常交付半成品或包含错误的代码。
• 信任债务：Agent 的“自信即兴发挥”会导致大量不可见的错误假设在代码库中累积，形成“技术债务”，最终在后期引发爆炸式的修复成本。
• 工程范式错位：传统的软件工程实践（如代码审查、架构规范）是为人类编码者设计的，在面对 AI 生成的大量代码时效率低下甚至失效。

2. 主旨方向

其核心思想不是去优化 AI 模型本身，而是优化模型运行的“环境”，通过构建一套包含约束、反馈与控制系统的工程框架，让 Agent 能够在人类设定的明确边界内自主、可靠且可持续地工作。

3. 核心策略

• 上下文工程：构建渐进式、地图式的知识库，并动态注入观测数据，而非一次性灌输所有信息。
• 架构约束：通过自定义 Linter、结构化测试和层级依赖规则（从类型到UI）来强制执行架构规范，违规代码直接在持续集成（CI）流程中被拒绝。
• 垃圾回收：设置后台清理 Agent，定期扫描并修复文档与代码的不一致、架构违规等问题，防止系统“熵增”。
• Plan-Build-Verify-Fix 闭环：通过中间件强制 Agent 在宣告任务完成前必须运行测试并进行验证。
• Agent 互审机制：采用“拉尔夫·维格姆循环”，让一个 Agent 编写代码，另一个 Agent 进行审查，发现问题则返回给第一个 Agent 修复。
• 进度文件与双层架构：使用外部文件（如 claude-progress.txt）作为跨会话的记忆载体。采用双层 Agent 架构，强制进行任务分解，确保“每次只做一件事”。

4. 举例

• OpenAI 百万行代码实验

  • 任务：在为期5个月的内部实验中，让 Agent 生成并维护一个大型代码库。
  • 所用模型：Codex 系列（GPT-5.2-codex）。
  • 实验结果：工程师80%的时间用于构建“约束工程”框架，最终代码质量和可维护性显著提升。实验得出的核心理念是“人类掌舵，智能体执行”。

• Anthropic 长跑方案

  • 任务：解决 Agent 在跨越多个上下文窗口的长期运行中的记忆和连续性难题。
  • 所用模型：Claude。
  • 实验结果：通过双层 Agent 架构、“全标失败”策略以及进度文件，成功实现了复杂项目的持续记忆和高任务完成率。

• LangChain 定量验证

  • 任务：定量评估“约束工程”框架对同一模型性能的影响。
  • 所用模型：GPT-5.2-codex。
  • 实验结果：仅通过改进“约束工程”框架，模型的性能排名从30名开外跃升至前5名。通过引入“追踪分析器”技能，实现了自动化优化“约束工程”的闭环。

5. 结论

• 核心逻辑：用“约束换取自主”。为 Agent 设定的规矩越明确、环境越可控，其独立工作的能力和可信度就越高。
• 工程师角色重塑：工程师的核心价值从“代码编写者”转变为“环境建筑师”，重点在于设计约束、反馈回路和控制系统，而非单纯的编码速度。
• 长期价值：在复杂且长期运行的任务中，“约束工程”是不可或缺的“缰绳”，其价值随着任务复杂度和持续时间的增加而呈指数级增长。

6. 注意事项

• 功能验证不足：部分实践（如 OpenAI 的实验）主要提升了代码的内部质量，但对于最终软件功能和行为的验证讨论尚不充分。
• 对模型的依赖：当前许多防护措施（如死循环检测）是针对现有模型缺陷的启发式设计。随着模型能力的进化，这些规则可能面临重构或淘汰。
• 遗留代码挑战：在缺乏“AI友好性”设计的旧有项目中，直接引入完整的“约束工程”框架可能会产生海量警报，导致“警报疲劳”而无法落地。