本文作者：meng shao（@shao__meng）。版权归作者所有，未经授权禁止转载。
哥伦比亚大学 Agentic Engineering 课程
哥伦比亚大学 COMS W4995-009 · Agentic Engineering，2026 秋季学期，3 学分。授课教师为 Dr. Nick Gu，由数据库领域知名教授 Eugene Wu 担任课程 sponsor，这个组合本身就说明了课程的学术定位：从软件工程、数据库和分布式系统的视角来研究 AI Agent，而不从机器学习模型的视角。
课程的自我定义值得关注：
学习构建和评估这样一类软件系统：其中 Agent 通过感知、推理、行动、自我纠正的循环来达成目标。
关键词是“软件系统”和“循环”。这门课的立场非常明确：Agent 的本质不是模型，而是包裹模型的软件工程。模型 API 只是被调用的组件，真正决定 Agent 好坏的是执行循环、工具接入、上下文管理、权限控制和评估体系，课程把这套包裹层称为 harness，这是全课程的核心概念。
课程结构：四个模块，十三次课
课程被组织成清晰的递进结构，从概念到架构到生产化：
模块一：Foundations（基础，第 1–4 讲）
1.What Is an Agent, and What Isn't：第一讲就先划边界，不给 Agent 下营销式的定义，而是教学生区分“真正的 Agent 循环”和“被包装成 Agent 的单次调用”
2.What the Agent Can See, and What It Remembers：上下文窗口即 Agent 的“工作记忆”
3.Writing the Agent Loop：动手写循环
4.客座讲座（Yan Wang 与 Yuzheng Sun）
模块二：Architecture（架构，第 5–8 讲）
5.What Tools Does an Agent Actually Need?
6.Components of an Agent Harness
7.Designing Your Multi-Agent Harness
8.Architecture Review 或客座讲座
模块三：Design and Production（设计与生产化，第 9–11 讲）
9.How Do We Know It's Better?：评估方法
10.Going to Production
11.Running Agents in Production
模块四：Final Project（第 12–13 讲）
12.Open Studio & Adversarial Testing（对抗性测试）
13.Final Demonstrations
这个结构透露出两个鲜明的取向：其一，评估（第 9 讲）被放在生产化之前，先证明“更好”再上线，这是实验科学的纪律；其二，倒数第二讲是对抗性测试的开放式 Studio，让学生互相攻击彼此的系统，说明课程把鲁棒性当作一等公民而非附加章节。
六大学习目标：一份 Agent 工程师的能力地图
首页列出的六个目标，实际上构成了 Agent 工程师的完整技能清单，每一条都对应传统软件工程中成熟的纪律在 Agent 场景的移植：
| 目标 | 实质 |
| --- | --- |
| Harness 构建 | 管理执行循环、工具访问、系统状态，以及独立于 Agent 输出的校验检查 |
| 上下文工程 | 编写、筛选、压缩、隔离关键上下文——“管理 Agent 看到什么” |
| 子 Agent 隔离 | 创建隔离的子 Agent，规定返回格式、严格检查后才合并输出 |
| 安全的委托 | 用明确的结果检查、行动证据、检查点、纠错和升级路径来管理委托 |
| 评估 | 评估单次 episode 和整体系统，平衡能力上限与行为一致性 |
| 生产接口与治理 | 基于证据部署 CLI/API、追踪恢复、监控、运行预算；最小权限、防提示注入、明确的人类问责 |特别值得注意的是“独立于 Agent 输出的校验”和“最小权限（least agency）”，这两条是当前 Agent 工程实践中最容易缺失、也最容易出事故的环节，课程把它们放进了教学目标的核心位置。
Studio 实践体系：课程最重的部分
这门课的分量不在讲座，而在每周 75 分钟的 Studio。它的基础设施设计本身就值得一读：
工作流设计：学生运行 bootstrap.sh，自动 fork 出一个私有仓库（agentic-engineering-private），邀请教师和 TA 为协作者。课程-owned 的文件（instruction/、docs/、评分标准等）每日通过 GitHub Action 自动同步进学生仓库，学生只能在自己的 submission/<team>/ 目录工作。仓库根目录的 AGENTS.md 同时约束人和 AI，里面明确写着“编码 Agent 的规则”：必须先读 Studio 指导书、只许写自己团队的目录、执行真实 API 调用前必须获得人类对模型供应商的明确确认。把“学生如何使用 AI”本身纳入课程契约，这是非常前沿的教学设计。
三个 Studio 构成一条精心设计的实验曲线：
Studio 01：委托与第一次可观测运行
学生填写一张“委托卡”（Delegation Card），只有四栏：任务、上下文、成功标准、限制。然后把自己定义的一个有界任务真正委托给本地 Codex 或 Claude Code 执行，检视输出和执行轨迹，再改变一个条件（缺失输入、检查失败、权限边界）观察影响。这张朴素的卡片其实是在训练人类侧的核心技能：把模糊的愿望翻译成可验收的委托。还要求每人单独手写一份不含 AI 文字的解释文件。
Studio 02：上下文压力测试与记忆架构（全课程最精彩的设计）
这个 Studio 让学生亲手测量长上下文的退化，然后亲手修复它，分三部：
•Part A（压力测试）：用 BABILong qa1 基准，在 256K/512K/768K 真实输入 token 下单次调用测试。参考证据中的实测数据非常有说服力：准确率从 32K 的 85% 一路降到 768K 的 45%，而且课程诚实标注了偏差（768K 桶由 1M 桶截断而来，结构上偏容易，“它显示的下滑已经是低估”）。连教师自己跑实验时的簿记 bug 及其恢复过程（--recover 从原始事件流重解析，未重复花费）都原样保留在证据里，这种把失败和修正记录在案的做法本身就是课程要教的方法论。
•Part B（隔离与压缩）：把长文档切成约 96K 的块，对比两种缓解策略。实测结果是全课程最好的一课：在 768K 桶上，“子 Agent 隔离 + 汇总”把准确率从 45% 拉回 85%，同时成本减半（$7.67 → $3.86）；而“每块压成 200 token 摘要”反而崩到 35%，有损压缩丢掉了针尖信息，隔离则没有。一个实验同时证明了“上下文要隔离”和“摘要是有损的”两条原理，比任何讲义都有力。
•Part C（文件记忆）：跑三个独立的无状态 session，要求 Agent 维护 decisions.md。第三个 session 的回忆测试中，有记忆版三项决策全部答对，无记忆基线全部丢失。用最小实验演示“文件即跨会话记忆”。
Studio 03：Agent 循环与受控对比
学生从约百行的脚手架出发，自己实现一个最小 OpenAI Responses API 循环（含检查点、停止条件、一条升级路径、Bash 子进程执行 Tavily CLI），然后在完全相同的代码、问题、工具、预算下对比两种运行方式：直接 ReAct vs 先生成计划再交给同一个循环。固定研究问题本身也很讲究，“Codex CLI 和 OpenClaw 的 compaction 机制如何工作”，学生研究的就是他们正在经历的上下文压缩问题。报告要求用 trace 事件和 call ID 支撑结论，区分“发生了什么”和“证明谁更优”（“一对运行描述了你的运行中发生了什么；它不确立一般性的赢家”），并把不可得的指标标为 unknown 而非 0。这是把科学写作的严谨性下沉到了本科作业。
/studio 交互页面：浏览器里的 Agent 实验台
网站还有一个登录后才能用的 Studio 交互环境，内置 Ace 代码编辑器的浏览器沙箱，标注为“Lesson 03 · Interactive Walkthrough: Build your first agent loop”。它能运行代码、逐事件展示执行轨迹、显示工作区文件、统计 input/output tokens、模型调用数、compaction 调用数和估算成本。相当于课程自建了一个微型 Agent 可观测性平台，让没有本地环境的学生也能完成课堂演示。
Landscape：一份 Agent 生产栈的分类学
课程的 Landscape 页面（标题为 "Agent Production Stack · August 2026"）可能是目前对 Agent 生态最清晰的一份分层地图，其核心方法论是两个问题：
1.这个产品包装/控制的是什么？（一个模型接口、一个完整 Agent、还是多个完整 Agent？）
2.谁在用它？（Agent 构建者、人/应用程序、还是协调 Agent 的系统？）
由此得出五层分类：
•L0 模型 API：只产生文本和工具调用请求（Responses/Messages API、tool-call 原语、结构化输出）
•L1 构建库：提供组件让你搭 Agent，但核心逻辑仍由开发者设计（Microsoft Agent Framework、OpenHands SDK）
•L2 完整 Agent Runner：接收目标、自管执行循环（mini-SWE-agent，“虽小仍是 L2，因为它自己管理循环”）
•L3 程序化接口：把已构建好的 Agent 直连给程序/编辑器（Claude Agent SDK、Codex SDK、OpenCode SDK）
•L4 协调系统：把多个运行中的 Agent 当作可互换的助手来调度（LiteLLM Agent Control Plane 等）
配套的辨析同样精彩：交互界面不等于层次（Claude Code 无论通过终端、IDE、网页还是 SDK 访问，都是 L2）；七项能力（运行代码、用工具、管信息、暂停恢复、观测、测试、控权限）是贯穿所有层开发者职责，不是层；工作流插件和通用基础设施（K8s、Docker）不属于这个栈。在工具选型上，课程给出一个非常实用的立场：MCP 有其位置（跨应用的标准化工具发现），但当 Agent 能直接用命令行工具时，MCP 是个糟糕的默认选择，CLI 隐藏状态更少、结果可复现。
这个 Landscape 本质上是在教“如何看穿产品营销”：当所有产品都自称 "agent platform" 时，用“它包装的单元是什么”这个客观标准就能立刻定位。
期末项目
默认项目是 Agentic Code Reviewer：系统接收一个 GitHub PR URL，进行结构化审查、给出修复建议、校准置信度、生成审计轨迹，并按需追加 commit 完成 PR。注意这些要求（置信度校准、审计轨迹）正是课程六大目标中“评估”与“生产化”的综合应用。
替代方案是算法锦标赛：各队用 Agent 系统开发自动博弈/模拟交易算法，多赛道对抗积分（灵感来自 MIT 的 Battlecode）。这等于把“Agent 作为开发者”和“竞争性评估”合二为一。
我自己的感受
这门课有几个在同类课程中罕见的特点：
1.它是一门实验科学课，伪装成工程课。 每个 Studio 都要求留下证据（results.json、trace、图表），评分标准是“证据存在且脚本跑完”加“解释写清”，而参考证据里连教师的 bug 和数据偏差都诚实标注。它教的不是“如何使用 Agent”，而是如何知道你的 Agent 是否变好了。
2.它对行业炒作免疫。 第一讲就叫 "What Is an Agent, and What Isn't"；五层分类法给了学生看穿营销话语的透镜；“MCP 不应是默认选择”、“产品名不告诉你它在哪一层”这些论断都有明确理由。
3.基础设施即教学。 私有仓库同步、AGENTS.md 同时约束人类与 AI 协作者、secret 扫描、成本预算、浏览器沙箱、结构化脱敏的 evidence 采集，这套体系本身就是一个生产级 multi-agent 工程的活教材。
4.它假设的先修背景很说明问题：Python、Git、一台笔记本，不需要 GPU，不需要机器学习背景。这印证了课程的根本判断，Agent 工程是软件工程的延伸，而不是深度学习的延伸。
一句话总结：这门课把当下喧闹的 “AI Agent” 话题还原成了一门可以严肃讲授的工程学科，模型是引擎，课程教的是造车、装仪表盘、做碰撞测试。对于想系统掌握 Agent 工程的从业者，它的三个 Studio 实验设计（长上下文退化的实测、隔离 vs 压缩的对照、文件记忆的跨会话验证）和五层生产栈分类法，即使不选课也值得完整读一遍——前者给出的是可复现的证据，后者给出的是清晰的思考框架。
附：主要材料来源——课程网站 course.nickgu.me（首页 / Coursework / Landscape / Studio 四个板块）和 GitHub 课程仓库（Studio 指导书、评分标准、参考证据等 60 个文件）。官方大纲 PDF（/syllabus-revised.pdf）和 CourseWorks 需要相应权限，未在本次解读范围内。
