2026 年的软件开发，已经不再是“写代码”，而是“编排会写代码的智能体”。根据 Sonar 2026 State of Code 调研，42% 的提交代码由 AI 生成或辅助，72% 的开发者已日常使用 AI 编程工具。但同一份调研也指出：96% 的开发者并不完全信任工具的输出。
这种矛盾恰恰定义了当下的 Agentic Coding：采用率极高，但工程化仍在追赶。
Table of contents
Open Table of contents
从 Copilot 到 Claude Code：工具的代际切换
2024 年的核心是 Tab 补全，2025 年是 Chat 辅助，2026 年则是 Agent 循环。
- Autocomplete 时代：GitHub Copilot 提供行级建议，开发者逐行接受。
- Chat 时代：在 IDE 侧边栏对话，生成片段后手工复制。
- Agent 时代：本地 Agent 在真实仓库中规划、编辑、执行命令、跑测试、迭代，直到测试通过才报告完成。
2026 年 State of AI Developer 调研（约 6970 份样本）显示，GitHub Copilot 使用率 67.9%，Claude Code 62.9%，OpenAI Codex 34.5%。但付费用户数上 Claude Code（3700）已超过 Copilot（2703），说明开发者愿意为“能真正交付”的 Agent 付费。
选 Agent 不应只看 Benchmark 分数，而应看“每完成一个任务的成本”，这比模型本身的分数更能反映工程价值。
Harness：比模型更重要的那一层
2026 年最关键的技术共识是：有趣的工作已经从模型内部转移到了包裹模型的软件层——Harness。
Harness 包含：循环（loop）、上下文策略、工具注册表、权限控制、验证关卡。一篇 2026 年 2 月的论文《Harness Engineering for Agentic AI Coding Tools》对比了 Claude Code、Codex CLI、Aider、Cline 等六款工具的 Harness 设计。
六种由易到难的技术，按成本排序：
- Context Engineering：精心策划进入窗口的内容，而非写更长的指令。
- Agent Skills：将流程知识打包为可加载的文件夹。
- MCP Servers：让 Agent 触及文件系统外的能力。
- Subagent Delegation：将探索性阅读推给子 Agent，保持主上下文干净。
- Verification Gates：强制 Agent 自证改动有效。
- Spec-Driven Development：将规格视为制品，代码视为可再生输出。
什么是好的 Agentic Coding 工作流
严肃团队在 2026 年的共识是：先规划，再动手。顶级工具现在都会在触碰代码前提供 ask / plan / explore 只读模式。
// 反模式：直接让 Agent 改代码
// "帮我重构这个模块"
// 正模式：先让 Agent 产出计划
// 1. /plan 分析代码库，输出改动方案与风险
// 2. 人工 review 计划
// 3. 再进入 implement 阶段，配合 verification gate在生成代码上迭代会让安全性变差。2025 年一篇论文发现，对已生成代码反复迭代，引入安全缺陷的概率会上升，而非下降。
度量：感知与现实的鸿沟
Capital & Compute 的总结很尖锐：2026 年“测量问题完全没有答案”。开发者普遍感觉更快，但 METR 的实验甚至不得不重新设计——因为参与者拒绝在没有 AI 的情况下工作。
务实的姿势是：
- 预算上下文，而非 Prompt：移除冗余工具、缩短指令文件、把探索推给子 Agent。
- 让 Harness 负责验证：52% 的开发者不会每次提交前都验证，验证门应做在循环里，而非依赖人的自律。
- 在擅长处使用它：文档（74%）、代码解释（66%）、测试生成（59%）满意度最高，新功能代码满意度最低。
小结
Agentic Coding 在 2026 年已是默认工作流，但“会用”和“用好”之间隔着 Harness 工程、上下文治理与验证体系。模型的商品化让“用哪个模型”不再是关键，“如何编排 Agent”才是。
下一步值得探索的是：Context Engineering 与 Spec-Driven 的具体实践，这两项正是 Harness 中成本最低、收益最高的起点。