Coding Agent 工程：从 Prompt 到 Graph
一个有用的 Coding Agent 可以从 Prompt 开始，但进入真实仓库以后，问题很快就不只是“怎么提问”。系统还要选择上下文、保存正确的信息、提供工具、控制权限、根据反馈迭代，并协调那些已经无法装进一个局部 Loop 的工作。
这里是 AI Coding Club 的 Agent Engineering 教程地图。它按照责任边界组织，不按照某个产品组织，也不是必须逐关完成的课程。
如果你是从 Loop 和 Graph 的讨论来到这里，可以先看 Loop Engineering vs Graph Engineering。那篇文章解释为什么 Agent 数量、局部反馈循环和 Graph 拓扑是三个不同的设计维度。
主线层级
| 层级 | 它负责回答的问题 | 从这里开始 |
|---|---|---|
| Prompt | 现在希望模型做什么？ | 提示工程 101 |
| Context | 当前任务应该获得哪些信息？ | 掌握上下文的艺术——基础课程 |
| Memory | 什么应该长期保存，什么应该过期？ | Coding Agent 的记忆应该保存什么？ |
| Instructions | 这个仓库始终应该遵守哪些规则？ | AGENTS.md 完整指南 |
| Skills 与工具 | 系统有哪些可复用流程、事件控制和外部连接？ | Claude Code 的 Skills、Hooks 和 MCP |
| Harness | Context、工具、权限、记忆、执行和验证怎样围绕模型组装？ | Coding Agent Harness 完整指南 |
| Loop | 一个有边界的工作单元怎样通过反馈改进，并知道何时停止或升级？ | 即将发布：Loop Engineering Guide |
| Graph | 工作单元怎样交换状态、串行或并行运行、否决行动并治理目标修改？ | 即将发布：Graph Engineering Guide |
这些层级彼此相关，但不会互相取代。Context 变好以后仍然需要 Harness；Graph 也不会替代其中运行的 Loop；增加更多 Agent 更不会自动得到 Graph。
贯穿所有层级的保障
有些责任不是单独的一层，而是贯穿整个系统：
- Coding Agent 的沙箱到底保护了什么？解释执行边界保护了什么，以及 Host trust 仍可能从哪里越界。
- AI Code Review 工作流解释如何把需求、Diff、测试和残余风险变成有证据的合并判断。
Observability 和 Eval-Driven Development 会在后续教程中加入这一保障层。
从哪里开始
- 刚开始使用 AI 编程：先看 Prompt 和 Context。
- 已经在使用终端 Agent：继续看 Memory、Instructions、Skills 和 Harness。
- 正在设计无人值守或多步骤系统：等待后续的 Loop 与 Graph 实践教程。
真正长期有效的问题，不是哪个新名词赢了，而是系统已经把哪些责任显式设计出来，还有哪些责任仍然藏在 Agent 的行为里。