Historical decision atlas / 2025.01 — 2026.11.13

从 Vibe Coding
到 Agentic Engineering

一张可以倒带的 Agent 工程思想地图。不是按今天的标准给过去判分,而是回到每个节点:当时能做到什么、为什么分叉、哪些约束尚未解决,以及后来证据如何改变我们的判断。

—
历史节点
—
重大路线分叉
—
原始资料索引
23
个月的变化轨迹
阅读约定:事实层引用发布时的公开资料;路线判读是编者根据材料重建的工程取舍,不代表公司曾明确表决或否决某方案。时间机器默认严格隐藏选定日期之后才出现的结论。评分是定性标尺,不是 benchmark 百分比。
01 / HISTORICAL OBSERVATORY

把时钟拨回过去

改变观察日期,所有节点、评分、分叉结论都会按该时点重建。开启“事后验证”则可同时查看后来发生的事。

时间机器 ● 历史快照模式

回到某个节点,只看在那一天已经出现的证据。

2026.11
2025 / JAN2025 / JUL2026 / JAN2026 / MAY2026 / NOV
能力结构的变化 · 0—5 级定性标尺
数据:编者对公开前沿能力及工程实践的相对分级不等于模型成功率;不适合跨供应商排名
选定时刻 · 能力剖面

—

评分维度刻意分开 模型代码能力 与 工具自治 / 长程状态 / 验证 / 治理,避免把“模型会写代码”误判为“整个工程已可靠”。
02 / TIME STRATIGRAPHY

历史节点 · 按时间生长

上方是七个理念时代,下方是可横向滚动的具体事件。◆ 标记有重大路线选择。未来节点在历史模式下锁定。

左右拖动 / 滚动浏览 · 键盘 ← → 切换
03 / NODE DOSSIER

在那一天,工程师知道什么?

04 / BRANCHES & TRADEOFFS

没有被选的路,未必就是错路

每个分叉都保留当时的收益与代价,后来以“主流路径 / 有条件适用 / 不宜默认 / 仍在探索”重新评价。点击跳转至完整决策记录。

四条长期共存的路线 · 点击任意节点进入历史档案
18 个重大工程抉择 · 每个都有同期路线与后续适用结论
05 / RESEARCH PROTOCOL

证据、评分与历史阅读规则

用时间切片防止“现在看起来必然”的后见之明。阅读事件时,请区分发布声明、案例结果与编者推论。

三层证据,不混为一谈

  • 发布事实:具体产品/论文在何时公开、声称和演示了什么。
  • 当时约束:当期公开记录中提到的失败模式、成本和不确定性。
  • 2026 复盘:后续文章、工程案例或独立测量如何改变对路线的判断。

“选中路线”不等于科技史上的唯一正确答案;多 Agent 与单 Agent、GUI 与 API、短会话与持久工作流长期并存。

能力 0—5 分的含义

1—2 · 局部可用可完成低风险短任务,失败需人类及时纠偏。
3 · 项目级实用能完成真实仓库任务,但仍有明显上下文和可靠性瓶颈。
4—5 · 前沿实验/成熟系统在良好工具、沙箱和验证条件下可长期执行,不代表普适无错。

这是一组定性编辑评分,用于观察生态整体方向;评分的变化不表示精确增益,更不等于 METR 时间跨度或 SWE-bench 通过率。后者在其原始方法下独立阅读。

不可避免的史料局限

公开发布记录会夸大成功案例的可见度。某些策略其实同期并存,没有“官方淘汰”结论。我们将路线结果标为编者归纳,并保留具体案例、使用条件和反例。历史模式隐藏后期发表的成果,不把未出现的知识倒灌回过去。

更新时间截止:2026 年 11 月 13 日。当前为静态离线知识地图;外链可用于追查原文,但不会自动更新。

独立量化指标去哪里看?

METR Task-Completion Time Horizons ↗ 以任务的人类耗时与可靠性建立长程能力刻度。
Anthropic Evals 指南 ↗ 解释 pass@k 和 pass^k 的区别。
OpenAI Harness Engineering ↗ 展示从模型能力到可交付生产系统所需的验证层。

企业内部报告与供应商 benchmark 不应直接视为独立可复现实验。

资料索引 · 按首次公开日期排序