AI原生软件时代-从软件工程到智能体工程的范式革命

《AI原生软件时代》——从软件工程到智能体工程的范式革命03智能体工程体系01AI

Native软件简介02软件工程范式革命目录2软件产业的发展

，本质上是一部技术平台不断演进的历史。每一次底层技术革命

，都会催生新的软件形态、

商业模式和产业格局

，并重塑

整个行业价值链。

Mainframe（大型机时代）

软件作为硬件附属品。

PCSoftware（个人电脑时代）

软件成为独立产品。

Internet（互联网时代）

软件连接全球网络。MobileInternet（移动互联网时代）

软件进入随身时代。CloudSaaS（云计算时代）

软件变成持续服务。

AINative（AI原生时代）

软件升级为智能体系统。软件产业的发展演进3•Software1.0（代码驱动）：人类告诉机器“怎么做”

，关注“功能实现”；•Software2.0（数据驱动）

：机器通过数据“学会怎么做”

，关注“智能预测”；•Software3.0（Agent驱动）

：机器自主决定“下一步做什么”

，关注“

自主执行”。软

件

演

进

三

部

曲：从

代

码

驱

动

到

Agent

驱

动

的

产

业

跃

迁4未来的软件不再依赖开发者提前穷举所有场景

，而是能够理解用户意图（Intent）

，

自主规划任务路径、调用工具并完成目标。通过用户反馈、

业务数据和环境变化

，AI系统能够不断调整策略、

优化流程和提升执行效果

，

实现从“版本迭代”

向“持续进化”

的转变

，

实现“人类定义方向

，AI负责执行与进化”

的新范式。软件的演化：从静态代码到自演化智能系统5AINative软件（AI原生软件）

是以大模型和智能体（Agent）

为核心构建的软件形态

，其能力并非由固定代码和预设流程决定

，而是通过理解用户意图、结合上下文、记忆、知识和工具动态生成。与传统软件“功能驱动、菜单操作”不同

，AINative软件强调“意图驱动、对话交互、

自主执行与持续学习”

，能够完成推理、规划、决策和行动

，实现从“工具软件”

向“智能协作伙伴”

的演进。AI

Native

软

件

的

定

义6•传统软件架构中，AI只是附加能力：核心系统仍由固定代码和业务规则驱动；AI作为独立模块嵌入系统；去掉AI后

，软件依然能够正常运行；

AI主要承担问答、推荐、搜索等局部功能。•AI原生软件从设计之初就以

AI为核心：AI负责理解用户意图；

AI负责规划任务执行路径；

AI负责调用工具和系统资源；

AI负责持续学

习与优化；软件整体围绕

Agent进行组织。在这种架构下

，AI不再是“功能模块”

，而是系统的“大脑”。AI

原

生

软

件

的

本

质：不

是

“

加

AI

功

能

”，

而

是

“

AI

优

先

架

构

”7软件价值重心从“提供功能（Feature）

”转向“完成任务（Task）

”。用户关注的不再是点击哪个按钮

，而是最终是否达成业务目标。未来的软件竞争力不再主要来自界面设计

，而是来自Agent的理解能力、推理能力、规划能力以及工具协同能力。AI

原

生

软

件

的

崛

起：从

功

能

驱

动

到

意

图

驱

动

的

架

构

革

命8AI原生软件带来的三大转变：首先

，软件不再只是被动工具

，而是能够自主完成任务的“数字员工”

；其次

，单个应用将演化为由多个智

能体协同工作的智能体系统；最后

，业务流程从“人操作软件”转变为“AI执行任务、人负责监督”

，软件开始真正参与工作而不仅仅提供功能支持。AI

原

生

软

件

带

来

的

三

大

变

化9AI原生软件技术体系：

Infrastructure提供算力

，

Model提供智能

，

Knowledge提供认知

，Skill提供能力

，Agent提供自主执行

，

Application提供业务价值。AI

原

生

软

件

技

术

栈10AI原生软件不再只是执行指令

，而是具备“理解意图、感知上下文、

自我优化”

的能力。

IntentDriven让软件聚焦用户真正想完成的目标；

Context

Aware让软件理解历史与场景；SelfImproving让软件持续积累经验并不断进化

，最终从工具升级为能够长期协作的数字员工。AI

原

生

软

件

的

特

点1103智能体工程体系01AI

Native软件简介02软件工程范式革命目录12质上是一种“先设计、后执行”

的确定性模式。•AI原生软件工程：定义目标

，让Agent自主完成。

开发者不再关注每一步如何实现

，而是描述最终目标（Intent）

。Agent能够理解意图、制定计划、调用工具并动态生成执行逻辑

，最终完成任务。•传统软件工程：把逻辑提前写好

，让机器严格执行。

开发者需要明确设计每一个流程、规则和判断条件

，软件按照预设代码运行

，本软件工程范式革命：从代码驱动走向意图驱动13软件工程正在经历三大迁移：

从Deterministic走向Probabilistic

，规则驱动转为基于推理的结果生成；

从Function-Centric走向

Agent-Centric

，软件由功能模块演进为具备自主能力的智能体；从Code-Centric走向Intent-Centric

，

由编写代码实现需求转向以意图表达驱动执行。未来软件开发将更像培养数字员工

，

由开发者定义角色、知识与目标

，Agent自主完成规划、执行与优化

，形成持续进化的数字劳动力系统。软件工程理论三大迁移14AI首次打通了“

意图→设计→实现→测试→优化”

的自动化闭环

，使软件生产从依赖人类认知转换的手工业模式

，逐步演变为基于标

准化构件、

自动化生成和反馈控制的工程化制造体系。在AI时代

，软件工程的本质更接近于将复杂业务意图转化为可执行系统的认知工程。代码只是实现手段

，理解和表达意图才是核心价值。AI

让

软

件

工

程

首

次

具

备

完

整

工

程

学

基

础15AI原生软件不仅要开发功能

，更要管理智能体行为。可观测性帮助追踪Agent“在想什么、做了什么”

；Skill评测验证能力是否稳定可靠；上下文治理保障记忆与知识准确有效；AI安全则防止越权、幻觉与风险行为。未来软件工程将从代码治理升级为智能体治理。AI

原

生

软

件

的

新

工

程

挑

战：从

功

能

开

发

到

智

能

体

治

理16AI原生开发范式标志着软件工程从命令式（Imperative）

"如何做"彻底转向声明式（Declarative）

"做什么"的系统性革命。AI原生开发是一种以数据为核心、

面向真实需求的全新软件开发范式。

它不再依赖传统的线性需求传递模式

，而是通过智能体、模型和工具链的深度参与

，将分析、构建、验证与交付融为一体

，实现需求到结果的高效闭环。AI

原

生

开

发

与

AI

增

强

开

发

比

较

分

析17传统软件的需求分析以“功能定义”为中心

，通过PRD明确输入输出与业务流程

，强调确定性与可验证性；

而AI原生软件则转向以“用户意图”为核心

，通过自然语言表达目标

，并结合上下文、约束与评估标准共同定义需求空间。

需求不再是静态清单

，而是一个可演化的语

义系统

，需要持续通过模型行为反馈进行校准。在

AI原生软件中

，需求分析不再是“把需求写清楚”

，而是“把意图空间定义清楚

，并设计评价体系约束模型行为”。

因此

，需求工程正

在升级为“意图工程+上下文工程+评价工程”

的组合体系

，用以约束概率性系统的输出质量与方向。AI

原

生

软

件

的

需

求

分

析

范

式

变

迁：从

功

能

到

语

义

空

间18软件形态经历了从“功能工具”到“信息平台”

，再到“服务系统”

，最终走向“

自主智能体系统（AgentSystem）

”的演进。未来的软

件不再是一个等待点击的界面

，而是一组能够理解目标、

调用工具、

协同执行并持续优化的智能体系统。

软件产业的竞争焦点

，也将从“功能能力”转向“认知能力、执行能力和组织能力”。AI

原

生

软

件

的

产

品

形

态

变

化19•传统软件UI：用户学习软件。过去的软件以菜单、按钮、表单和页面为核心

，用户需要理解系统功能结构

，按照预设流程逐步完成操作。•AI原生软件UI：软件理解用户。AINative软件以自然语言交互为入口

，用户只需表达目标和需求

，系统即可自动理解意图并完成任务。界面从“

固定页面”变成“动态生成”。传统软件提前设计所有页面和功能模块；AI原生软件则根据用户当前任务动态生成工作界面、信息卡片和操作流程

，实现千人千面的交互体验。AI

原

生

软

件

的

UI

变

革：从

“

点

击

界

面

”

到

“

对

话

界

面

”20•传统软件时代：功能（Function）

是核心资产。软件通过菜单、按钮和流程来提供价值。用户需要学习软件操作逻辑

，按照系统预设流程完成工作。•AI时代：技能（Skill）

正在成为新的软件单元。Agent不再关注用户点击哪个按钮

，而是理解用户想完成什么任务。用户关注的是结果，而不是操作过程。未来软件的竞争力不再是谁拥有更多菜单和页面

，而是谁拥有更多高质量、高复用、可组合的AgentSkill。AI

原

生

软

件

的

软

件

功

能

变

革：从

“

功

能

菜

单

”

走

向

“

智

能

能

力

”21传统软件时代

，软件本质上是一个由大量功能模块组成的功能集合。AINative时代

，软件本质上演变为由

Agent、Skill和Knowledge共同构成的智能系统。其中

，Agent负责理解用户意图、规划任务并自主执行；Skill提供具体能力和工具调用；

Knowledge提供业务知识、

数据和上下文记忆。在

AINative软件架构中

，Skill将逐步取代功能成为系统能力组织的基本单位

，是

Agent的执行引擎和能力载体

，承

担着“连接智能决策与业务执行”

的关键角色。Skill

是

AI

原

生

软

件

的

“

能

力

中

台

”22•传统软件工程围绕“代码与逻辑”构建系统

，AI-Native工程围绕“智能行为”构建系统。•软件工程正在从设计代码（CodeEngineering）

转向设计智能体（AgentEngineering）

，未来工程师关注的不再只是程序如何运行

，

而是Agent如何理解、推理、协作和持续进化。AI

原

生

软

件

的

工

程

对

象

变

化：从

代

码

对

象

到

智

能

对

象23传统软件围绕数据结构、算法和模块展开

，本质是对代码逻辑的封装与复用；AI原生软件则围绕智能体对象体系构建

，核心不再是固定流程

，而是由提示词、

上下文、

记忆、

工具、

技能和推理共同组成的能力网络。

软件工程正在从“编写确定性逻辑”

，转向“

组织智能行为”。AI

原

生

软

件

的

工

程

对

象

比

较

分

析24•传统软件仓库围绕

“功能代码”组织。在传统软件开发中

，项目结构通常围绕前端界面、后端接口和业务逻辑展开。•AI原生软件仓库围绕

“智能能力”组织。AINative时代

，软件不再只是代码集合

，而是由多个Agent协同完成任务的智能系统。

未来企业最重要的软件资产

，不再只是代码库

，而是可持续演化的智能体能力体系。AI

原

生

软

件

的

Repo

结

构

重

构：从

代

码

仓

库

到

智

能

体

仓

库25传统软件：

同样输入

，必然得到同样输出。AI原生软件：

同样输入

，结果可能不同。测试理论正在从“验证正确性”转向“验证可靠性”。在AI时代

，软件质量评价标准发生根本变化：

不再追求100%一致输出、

更关注结果是否合理、更关注任务是否成功完成、更关注稳定性与可信度。测试对象从：代码（Code）→行为（Behavior）

。评价标准从：功能

正确（Correctness）→任务有效（Effectiveness）。AI

原

生

软

件

重

塑

软

件

质

量

理

论：从

确

定

性

到

非

确

定

性26AI原生软件以概率模型为核心

，输出具备随机性

，相同输入难稳定复现结果。软件质量无法绝对达标

，只能统计准确率、置信度评估风险

，质量保证从确定性验证转向概率化监控与评估。未来的软件质量保障体系将新增大量AI评估机制。软件测试正在从“检查程序有没有Bug”演变为“评估智能体是否足够优秀”。AI

原

生

软

件

的

质

量

保

证

进

入

“

概

率

时

代

”27传统软件系统测试建立在“确定性逻辑”之上

，核心是验证输入是否对应唯一正确输出；

而AI原生软件由于引入模型推理、

上下文与生成机制

，使输出呈现概率分布特征

，因此测试目标从“是否正确”转向“是否足够好、是否符合意图边界”。测试对象也从功能逻辑扩展为行为能力、生成质量与系统稳定性。AI

原

生

软

件

的

系

统

测

试

从

确

定

性

验

证

到

概

率

性

评

估28传统软件的运行逻辑是“代码决定行为”

，

同一输入在同一环境下必然得到同一输出

，因此运维重点是稳定性与可用性。AI原生软件则是“模型+上下文+数据共同决定行为”

，输出具有随机性与上下文依赖性

，运维重点转向效果质量与持续优化。AI原生软件的部署与运维从“管理系统”升级为“管理智能行为与结果质量”

，从“确定性系统管理”转向“概率性智能行为运营”。最终形成以“效果运营”为核心的新型运维体系（OutcomeOperations）

。其核心变化在于运维对象从服务实例扩展为智能行为系统

，运维目标从系统可用性升级为任务成功率与输出质量的持续优化。AI

原

生

软

件

的

部

署

运

维

范

式

重

构：走

向

效

果

运

营29•传统软件是给人使用的

，AI原生软件首先是给Agent使用的。过去的软件围绕“人机交互（Human-ComputerInteraction）

”设计

，核心目标是让用户更方便地点击按钮、填写表单和操作界面。•AI原生软件正在从“UserInterface（UI）

”转向“AgentInterface（AI）

”。对于智能体而言

，菜单、页面和按钮并不是主要交互方

式

，它们更关注API、工具、知识库、工作流以及可执行任务。AI原生软件的设计重点正在发生转移。过去关注页面体验（UX）

；未来更加关注上下文管理（Context）

、工具调用（ToolUse）

、记忆

机制（Memory）和Agent协作能力（Multi-AgentCollaboration）。AI

原

生

软

件

的

服

务

对

象

变

化：从

面

向

用

户

到

面

向

智

能

体30传统SaaS（SoftwareasaService）

：提供工具

，用户完成工作。SaaS本质上是将软件通过云端交付给客户

，帮助用户提升效率。Agent-as-a-Service（AaaS）

：提供智能员工

，Agent直接完成工作。AaaS不再只是提供软件功能

，而是提供具备理解、推理、规划和

执行能力的智能体（Agent）

。用户只需表达目标

，Agent即可自动完成任务。AI

原

生

软

件

的

商

业

模

式

变

化：

从

SaaS

到

Agent-as-a-

Service31•价值交付模式发生根本变化：

从“功能交付”走向“结果交付”。传统SaaS提供的是功能模块

，企业购买的是“

工具能力”

；AaaS（Agent-as-a-Service）

提供的是任务完成结果

，企业购买的是“业务成果”。•商业模式正在重构：从订阅收费走向成果收费。SaaS时代主要按照账号数、用户数、模块数进行收费；AaaS时代更可能按照任务数量、业务结果、节省工时或创造价值收费。

实现从“PayforSoftware”

向“PayforOutcome”

的转变。•软件竞争逻辑发生变化：过去竞争的是功能丰富度和产品易用性；未来竞争的是Agent的专业能力、任务完成质量、

自动化程度以及业

务结果交付能力。谁能创造更大的业务价值

，谁就拥有更强的竞争优势。SaaS

正

在

走

向

Aaa

S：从

卖

软

件

到

交

付

结

果32软件公司的核心竞争力从“功能开发能力”转向“Agent运营能力”。未来竞争焦点不再是谁开发更多功能

，而是谁拥有更强的Agent模型、更丰富的技能库、更优质的企业知识体系以及更高效的协作机制。最终形态是“AgentMarketplace+

AgentOperatingSystem”。平台不仅提供Agent运行环境

，还能够让第三方开发者发布Agent、技能

和工具

，形成类似AppStore的Agent生态体系。软件公司1.0卖功能

，SaaS公司2.0卖服务

，AI-Native公司3.0卖智能

，而Agent平台公司4.0将直接出售“数字员工”和“业务结果”。软

件

公

司

进

化

为

Agent

平

台

公

司：从

卖

软

件

到

运

营

数

字

劳

动

力33AI

原生软件最大的变化不是

“

开发更便宜

”

，

而是成本从

“

写代码

”

转向

“

管理智能体

”

。传统软件的主要成本是人力开发成本

（DeveloperCost）

。AI原生软件的主要成本逐渐变成：模型成本（ModelCost）

+上下文成本（ContextCost）

+评测成本（EvalCost）

+治理成本（GovernanceCost）

。因此未来软件公司的竞争力

，不再主要取决于“能写多少代码”

，而取决于：谁能以最低成本构建、评测、运营和治理大规模智能体系统。AI

原

生

软

件

重

构

软

件

成

本

结

构34•传统研发模式：人类负责全部认知活动

，AI仅是工具。

需求分析、

架构设计、

编码实现、

测试验证等环节均依赖工程师完成

，软件开发本质上是“人驱动、人执行”

的生产模式。•AI原生研发模式：形成“人类+Agent”

的协同智能系统。人类负责目标定义、价值判断与关键决策

，AI

Agent负责分析、规划、编码、测试与优化

，实现研发活动的大规模自动化。研发过程演变为“双脑协同”。人类擅长战略思考、创造力和复杂判断；AI擅长知识检索、逻辑推理和规模化执行。双方优势互补

，共同完成复杂软件系统构建。AI

原

生

软

件

重

构

研

发

模

式：从

人

写

软

件

到

人

与

Agent

共

创

软

件35•目标优先

，而非代码优先：AI原生软件强调“要达到什么目标（What）

”

,

由Agent自主规划实现路径。

开发重心从编码转向目标设

计。•上下文驱动

，而非规则驱动：AI原生系统依赖Prompt、知识库、历史记忆和实时环境信息进行决策。上下文质量决定智能体表现质量。•能力组合

，而非功能开发：AI原生软件通过组合模型、工具、工作流和技能（Skill）

形成能力体系

，实现复杂任务处理。•持续学习

，而非一次交付：AI原生软件能够通过反馈数据、用户交互和评估机制不断优化Prompt、记忆和工作流

，实现持续进化。•人机协同

，而非完全自动化：人类负责目标设定、边界控制和最终决策

，Agent负责推理、执行和自动化处理。•评估优先

，而非测试优先：AI原生开发需要建立Evals（评估体系）

，持续衡量准确率、稳定性和任务完成效果。AI

原

生

软

件

重

构

开

发

核

心

原

则：从

编

写

功

能

到

构

建

智

能

体36AI原生软件

（AI-Native

Software）

并不仅仅改变了软件的功能实现方式

，更重构了整个软件生命周期

（Software

DevelopmentLifecycle,SDLC）

。传统软件生命周期围绕“需求→设计→开发→测试→运维”展开

，而

AI原生软件生命周期逐渐演变为“意图→上下文

→智能体→评测→持续优化”

的闭环。AI

原

生

软

件

重

构

软

件

生

命

周

期37AI原生软件研发组织的人才结构正在从“产品经理+开发+测试+运维”

四大传统角色

，演变为：产品经理+AI原生架构师+上下文工程师+AI

应用工程师+数据与知识工程师+AI评测工程师+AI运营工程师+AI治理与安全工程师。组织关注点也从功能开发转向目标设计、知识管理、能力评测和持续运营。AI

原

生

软

件

重

构

研

发

组

织

结

构3803智能体工程体系01AI

Native软件简介02软件工程范式革命目录39智能体工程（Agentic

Engineering）

是将不确定的LLM系统

，通过"构建→测试→部署→观测→优化"的循环迭代

，驯化为可靠生产级应用的工程实践。

它的本质不是让AI更聪明

，而是让AI更可控。传统AI是"你问我答"的工具

，智能体是"你说我做"的助手。传统编程是确定性的"How"

，智能体工程是概率性的"What"。传统开发是"充分测试后上线"

，智能体工程是"边上线、边学习"。这不是AI的升级

，这是人机协作范式的彻底重构。在这个新范式中

，人不再是代码的编写者

，而是系统的设计者、

目标的定义者、质量的

把关者。AI不再是被动的工具

，而是能感知、能推理、能执行、能学习的智能体。智能体工程的简介40传统软件开发以“

人类编写代码

”

为核心

，

工程师负责需求分析、架构设计、编码实现、测试和运维

，

软件能力直接由代码决定。未来的软件工程正在从“人类实现逻辑”转向“AI生成逻辑”。开发者不再逐行编写程序

，而是定义目标（Goal）

、约束（Constraint）和业务上下文（Context）

，

由AI自主完成规划、生成与执行。过去的软件工程是在管理代码（CodeManagement）

，未来的软件工程是在管理智能体（AgentManagement）。从

Software

Engineering

到

Agent

ic

Engineering41智能体工程：一种以

AIAgent为核心的新工程范式

，软件开发不再完全依赖人类逐行编写代码

，而是由AI负责规划、执行和优化

，人类

负责目标设定与最终决策。工程范式跃迁：传统软件工程像“搭积木”

，开发者预先定义每个模块的行为；AgenticEngineering更像“培养团队”

，多个智能体能够自主协作、持续学习

，并根据环境变化动态调整策略。核心价值：软件开发从一次性交付的工程活动

，演进为持续自主优化的智能系统运营过程

，研发效率与系统适应能力显著提升。Agent

ic

Engineering：从

人

写

软

件

到

AI

构

建

软

件

的

工

程

革

命42智能体工程包含10大核心工程维度

，涵盖了从交互到安全的完整链路。传统AI开发通常主要聚焦于模型训练、数据管道与推理服务的构建，而智能体工程则要求在统一系统架构下同时协调模型编排、上下文工程、工具调用链路、记忆机制、运行时调度以及安全与可观测性等全栈能力。智能体工程的十大工程维度43智能体工程并不是零散的提示词或工具调用技巧组合

，而是一个面向生产级系统的分层能力架构

，通常可以抽象为模型与工具层、交互与编排层、知识与上下文层以及智能决策与控制层四个核心技术域。只有当四个层级形成闭环协同

，智能体才能从实验性Demo演进为可稳定运行的生产系统；任何一层缺失都会导致系统能力退化

，例如推理能力不足、工具链路断裂、上下文丢失或缺乏可控性与可干预性。智能体工程的四层能力架构44•传统SDLC（SoftwareDevelopmentLifecycle）

的问题：软件研发长期依赖大量人工协作

，从需求分析、架构设计到编码测试

，需

要多个角色频繁沟通

，导致周期长、成本高、知识难沉淀。•AgenticSDLC的本质：将AI

Agent引入软件研发全流程

，让智能体承担部分甚至大部分研发工作

，从“人驱动开发”演进为“人机协

同开发”。未来的软件研发组织将由人类专家与多个专业Agent共同组成

，一个项目可能由需求Agent、架构Agent、开发Agent、测试

Agent和运维Agent协同完成

，实现24×7持续研发。Agent

ic

S

DLC：

用

智

能

体

重

构

软

件

研

发

全

生

命

周

期45通过Meta

Agent（元智能体）或

AgentBuilder（智能体工厂）

自动生成新的智能体

，本质上是把“开发智能体”这件事交给更高层的智

能体来完成。

它已经成为

AgenticEngineering领域的重要方向。Meta

Agent或AgentBuilder是AI原生时代的“智能体工厂总设计师”

，通过任务理解→能力分解→Agent设计→Skill生成→工具装配→评

测优化

，实现智能体的自动生成与持续进化。通过智能体自动生成智能体46传统软件处理的是结构化数据和固定逻辑

，而AI原生软件处理的是Token流（TokenStream）

。用户输入、企业知识、

系统状态、工具返

回结果、长期记忆以及最终生成内容

，都会被转换成Token进入模型进行处理。

因此

，Token成为连接用户意图、知识体系、智能体行为和模型能力的统一语言。Token之于AI原生软件

，犹如比特（Bit）之于传统软件

，是智能理解、知识连接、推理决策和内容生成的最小运行单元。Token

是

AI

原

生

软

件

的

智

能

粒

子47PromptEngineering（提示工程）

是连接用户意图与模型能力之间的核心桥梁

，其本质是通过结构化指令设计

，引导大模型稳定、准确、

高效地完成任务。在

AI原生软件中

，

Prompt已不再是简单的提问技巧

，而逐渐演变为一种新的软件逻辑表达方式

，承担着传统软件中部分业务规则、流程

编排和交互控制的职责。Prompt

Engineering

是

AI

原

生

软

件

的

认

知

指

挥

系

统48进入AI-Native时代后

，模型能力逐渐趋同

，真正决定系统表现的关键开始从“算法本身”转向“上下文质量（ContextQuality）

”。

因

此

，AI-Native软件的竞争力正在从“谁的算法更复杂”转向“谁能为AI提供更优质的上下文环境”。可以将AI模型类比为“大脑”

，而ContextEngineering则类似于

“大脑的信息供给系统”。即使拥有最强的大脑

，如果输入的信息混乱、缺失或错误

，也难以产生高质量结果。Context

Engineering

是

AI

原

生

软

件

的

认

知

操

作

系

统49HarnessEngineering是AI原生软件的运行底座

，把软件工程从“交付问题”升级为“智能体持续进化问题”。

HarnessEngineering在AI原生软件语境下

，可以理解为一种面向持续交付与运行闭环的工程体系升级形态。把软件交付从“工程流程系统”

，升级为“AI驱动的自优化运行与决策系统”。Harness

Engineering

是

AI

原

生

软

件

的

运

行

操

作

系

统50LoopEngineering（循环工程）

与AI原生软件的关系

，本质上是“构建方式”与“

系统形态”

的关系：前者是方法论

，后者是目标系统。在传统软件中

，工程范式是“线性流程”

：需求→设计→开发→测试→发布。

而在AI原生软件中

，这条线被打破

，系统运行本身变成一个持续循环——模型在使用中不断学习、调整、评估和优化

，这就催生了LoopEngineering。Loop

Engineering

是

AI

原

生

软

件

的

核

心

运

行

机

制LoopEngineering是AI原生软件的核心运行机制

，让软件从“执行指令的工具”进化为“通过反馈循环持续进化的智能系统”。51传统软件工程关注的是代码如何被执行

，那么

AIRuntimeEngineering关注的是智能体（Agent）

如何在运行过程中持续感知、决策、执行和优化。在

AINative时代

，系统的核心不再是静态代码

，而是由大模型驱动的动态智能体。

因此

，软件工程的重点开始从BuildTime（开发时）转向RunTime（运行时）。AIRuntimeEngineering是让AI

Agent在真实环境中稳定、

高效、

安全、

自主运行的工程体系

，负责让

Agent在真实世界中持续感知、决

策、执行、协作、评测和治理

，是未来AI系统规模化落地的核心基础设施。AI

Runtime

Engineering

是

AI

原

生

软

件

的

操

作

系

统

工

程52AgentOps（AgentOperations）

可以理解为面向智能体（Agent）

系统的运维与治理体系。如果说传统软件时代有DevOps

，AI原生时代

则需要AgentOps来保障智能体系统能够稳定、安全、可控地运行。

DevOps管理的是“代码执行过程”

，AgentOps管理的是“认知执行

过程”。AgentOps的本质是为智能体建立一套可观测、可评测、可治理、可运营、可进化的工程体系

，使

AI从“能工作”走向“可信赖地工作”。它是

AINative软件规模化落地和企业级应用运营的关键支撑能力。Agent

O