# Agentic Engineering (智能體工程) 是什麼？新一代 AI 開發術語定義
隨著 2026 年 AI 技術從單純的「對話聊天」演進為「幫人類幹活」，軟體開發領域出現了一個全新的工程學科：Agentic Engineering (智能體工程)。
它標誌著 AI 應用開發從早期的提示詞工程（Prompt Engineering）正式邁向系統級自動化的全新時代。本文將為您拆解智能體工程的核心定義、核心架構與其技術要求。
Agentic Engineering (智能體工程) 是 2026 年新興的 AI 軟體開發範式，指從傳統的「提示詞工程 (Prompt Engineering)」升級為設計具備自主規劃、長期記憶、自我反思與工具調用能力的 AI 智能體 (Agent) 系統工程。不同於單次問答，智能體工程專注於構建能自主運行數小時、甚至數天，並在終端反覆執行「測試-糾錯-優化」循環的工作流。開發這類系統需要搭配 GLM-5.1、Qwen 3.7 Max 等具備高 Tool Calling 精度與推理能力的底座大模型。
---
從 Prompt Engineering 到 Agentic Engineering 的演變
要理解智能體工程，可以通過與傳統 AI 調用方式的對比來釐清：
- 第一代：提示詞工程 (Prompt Engineering)：
- 第二代：智能體工程 (Agentic Engineering)：
---
智能體工程的四大核心模組
一個合格的 Agent 系統，通常由智能體工程師設計以下四大模組：
1. Planning (自主規劃能力)：
大模型將複雜的巨大任務（如：重構整個資料庫架構）拆解為多個可執行的子任務。常用的規劃架構包括 ReAct (Reasoning + Acting)、Plan-and-Solve 等。
2. Memory (記憶機制)：
* 短期記憶：單次對話上下文窗口內的資訊。
* 長期記憶：利用向量資料庫（RAG）或本地快取，讓 Agent 在幾天、甚至幾週後仍然記得該專案的架構規範與開發偏好。
3. Tools (工具箱)：
讓 AI 從「只說不做」變成「動手實踐」的橋樑。包括讀寫本地 API、執行 Shell 指令、連接 MCP 伺服器等。
4. Reflection (自我反思與修正)：
當 Tool 執行失敗（例如 Terminal 報錯 TypeError），Agent 不會直接放棄，而是把報錯作為新輸入，進行自我批評（Self-Criticism），重新規劃下一步驟。
---
2026 智能體工程的最佳底座模型選型
並非所有大模型都適合用來跑 Agent。Agent 系統對大模型有著極高的規格要求：
- 寫程式與工具精確度：首選 Claude 3.5 Sonnet。其在處理複雜的多檔案修改與代碼邏輯時，出錯率是全行業最低的。
- 超長上下文適應力：首選 Qwen 3.7 Max 與 Kimi K2 Thinking。因為跑 Agent 會產生極長的對話歷史，百萬 Token 窗口是不可或缺的基礎。
- 算力成本控制：首選 智譜 GLM-5.1 Pro 與 DeepSeek R1。在大規模部署企業級 Agent 時，這兩款模型的超低 API 單價（輸入均低於 1.00 美元/百萬 Token）能防止企業算力開銷失控。