大家好，我们又见面了。
随着小龙虾OpenClaw的爆火，Agentic Engineering这个方向开始进入大家的视野，借助Vibe Coding的力量，这个门槛似乎变得很低。
本文是一个极简的学习路径，中间穿插了一些个人的看法，不喜勿喷。
首先我们写在前面，经过我和团队中的同学半年多的实践下来，有一些基本共识，可以供大家参考：
-
如果你没有扎实的开发基础，当然也可以写出来一些demo，小玩具，小游戏没什么问题；但是写不出来工业界可以大规模线上应用的产品，所以扎实的开发基础是必须的；
-
如果你完全不了解大模型的工作原理，设计&代码实现会非常低效。
所以在上面的基础上，一个极简的学习路线是：
编程工具的选择
我个人是Trae/Codex CLI+IDEA。
其中Trae用来做Vibe Coding，主要是借助模型的力量代码实现；其中Trae的平替有很多例如：Cursor，Windsurf，Codex等，你可以选择一个自己习惯的IDE当成工具，我目前在向Codex过渡；
IDEA做代码的Review和手动提交，主要是多年的IDEA资深用户，习惯了IDEA的界面和各种配置，很多人也用VSCode等工具。
也有一个趋势是很多人在慢慢习惯CLI的编程方式，不再使用任何IDE，大家多多尝试。
这部分在使用Trae这样的工具的时候，不同的工具提供了不同的开发方式，例如Trae的SOLO Code、SOLO Build模式等，他们分别适用不同的场景，这个需要自己多多体验。
理解Context Engineering(上下文工程)
这里的上下文工程是，你需要精确的控制传递给LLM的信息，尽量减少上下文带来的噪音和不足；另外尽量节省token消耗。
上下文工程（Context Engineering）范围很广，它关注的是「AI 看到什么」- 包括 System Prompt、工具描述、对话历史管理、动态信息注入、上下文窗口管理等全链路。核心目标是提升每个 Token 的信息密度，确保正确的上下文在正确的时间出现在Prompt中。
技术栈Java：Sping AI； Python：LangChain，都可以通过API注入上下文。
MCP + SKILL
如果2026年我们从AI Agentic Engineering技术路线中只选择一项学习，那么毫无疑问是MCP和SKILL。
MCP（Model Context Protocol）是Anthropic推出的开放协议，让LLM能够安全地连接外部工具和数据源。Skills则是可复用的Agent能力模块。
关于MCP你只需要知道：
-
Tools：LLM 可以调用的函数（如查询数据库、执行命令）
-
Resources：LLM 可以读取的数据源（如表结构、配置文件）
-
Prompts：预定义的提示词模板
MCP本身只是协议，Python和Java生态的框架都支持通过注解直接创建MCP服务。
他本质上和Http、Rpc等协议无任何区别，甚至有点多余。
Anthropic的开发者们定义了这样一套和大模型交互的标准，但是这套标准争议很大，我个人的看法是：无论MCP还是Skill，大概率都是AI发展中的中间产物。其中MCP协议更是画蛇添足，是为AI专门创造出来的抽象服务层，未来完全弃用也正常。
反馈闭环与Harness工程
Harness工程是构建整个环境、工具链和反馈闭环，让Agent无需人工干预就能可靠完成工作。核心理念：给Agent反馈闭环，而不仅仅是编辑器。
直接举例：
-
传统方式：Agent 写代码 → 人检查 → 人反馈 → Agent 改
-
Harness： Agent 写代码 → 自动测试 → 自动反馈 → Agent 自己改 → 循环直到通过
其中Python体系中的LangGraph支持的很好，Sping AI中如果需要复杂状态流转，可以结合Spring State Machine或Spring Integration实现类似LangGraph的效果，未来大概率也会支持。
A2A协议与Multi-Agent
这部分关键是理解Google A2A协议，掌握MCP vs A2A的关系和协同方式。核心目的是：实现多个Agent各自调用工具，同时互相配合完成复杂任务。这部分内容整个Agent生态也在快速发展，大家可以多关注LangChain 和 Spring AI的生态发展。
最后语言和技术栈选择
AI领域毫无疑问是Python的天下，所以初学者建议从Python开始学习，避开Java生态陡峭的学习曲线。
但是客观的说，Sping AI更适合后端的微服务架构，更适合做大规模的生产服务，所以如果你有Java基础，可以直接从Spring AI开始学习。
还有一部分设计模型的微调，这部分内容大家可以自己网上去搜，也不难。不深入基础模型开发的话大概率都能看懂。
我们今天的分享就到这里了。