# SASE方法论：构建可靠AI Agent系统的四大支柱与核心工件 > 深入解析Structured Agentic Software Engineering的四大支柱——角色、流程、工具、工件，以及ACE与AEE双环境架构如何支撑可靠AI Agent开发。 ## 元数据 - 路径: /posts/2026/02/23/sase-methodology-four-pillars/ - 发布时间: 2026-02-23T13:48:51+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 站点: https://blog.hotdry.top ## 正文 当业界热衷于讨论各种Agent框架的编排能力或推理模型的参数规模时，一个根本性的问题往往被忽视：如何从软件工程的视角系统化地构建生产级别的AI Agent系统？Ahmed E. Hassan提出的Structured Agentic Software Engineering（SASE）方法论正是为了填补这一工程化实践指南的空白。SASE将AI Agent的开发从「调参写Prompt」的随机行为，提升为可定义、可重复、可审计的软件工程活动，为团队提供了从概念到落地的完整方法论框架。 ## SASE方法论的核心定位 SASE将当前的软件开发时代定义为SE 3.0——即Agentic Software Engineering时代。在这个范式下，自主AI Agent不再仅仅承担代码补全或简单问答的角色，而是负责端到端地达成复杂的、目标导向的软件工程任务。与传统的软件工程1.0（纯人工编码）和2.0（人类编码+AI辅助补全）相比，SE 3.0的核心特征是AI Agent成为真正的「工程参与者」，与人类工程师形成混合团队，共同承担从需求分析到部署运维的全生命周期工作。 这种方法论的核心价值在于它不是简单地告诉开发者「用什么工具」，而是系统性地重新定义了软件工程的四大基础要素——角色（Actors）、流程（Processes）、工具（Tools）、工件（Artifacts）。每一个要素都被赋予了面向Agent协作的特定内涵，形成了一套可操作的工程实践体系。 ## 四大支柱：重新定义软件工程的基础 **角色（Actors）** 是SASE方法论的第一个支柱，它定义了混合团队中的人类与AI Agent各自承担的责任。人类在SE 3.0中的角色发生了根本性转变：从「编码者」变为「Agent教练」（Agent Coach），专注于意图定义、策略制定、治理监督和知识传承。这种转变要求人类工程师具备一种全新的技能组合——不再是精熟某门编程语言的核心语法，而是能够清晰地表达业务目标、设定约束条件、评估Agent输出质量，并及时提供有价值的反馈。AI Agent则被赋予更细粒度的专业分工：规划Agent负责任务分解和路径规划，编码Agent负责代码生成和实现，测试Agent负责验证和回归检查，审查Agent负责质量把控，数据Agent负责信息检索和知识管理。这种专业分工使得每个Agent可以在其擅长的领域深度打磨，而人类教练则负责整体协调和质量最终把关。 **流程（Processes）** 是第二个支柱，它强调从随意的Prompt工程升级为显式化、可版本控制的工作流。传统软件开发中，我们有需求分析、设计、编码、测试、部署等标准流程，但在Agent开发中，这些流程往往被简化为「给Agent一个Prompt，等它返回结果」的粗糙模式。SASE方法论主张为Agent协作设计完整的流程规范：何时进行任务分解、如何设定检查点、Agent之间如何进行交接、什么情况下需要回调人类进行确认、任务失败时的重试策略是什么。这些流程不再是隐性的组织知识，而是被编码为可复用、可审计的显式规则。这种流程化的好处是显而易见的——它使得Agent的行为变得可预测、可控、可复现，也使得团队能够对Agent的表现进行系统性的度量和改进。 **工具（Tools）** 是第三个支柱，SASE将其解构为面向人类的「指挥舱」和面向Agent的「执行场」两个层面。Agent命令环境（Agent Command Environment，ACE）是人类工程师的「任务控制中心」，它提供了任务目标设定、上下文管理、输出审查、证据检查和多Agent编排等功能。在ACE中，人类可以编写和编辑 BriefingScripts（任务简报脚本）、LoopScripts（循环脚本）和MentorScripts（指导脚本），管理Agent生成的 Consultation Request Packs（咨询请求包，CRP）和 Merge-Readiness Packs（合并就绪包，MRP），并做出最终决策。Agent执行环境（Agent Execution Environment，AEE）则是Agent的运行时基础设施，针对大规模、并行、机器速度的工作负载进行了优化。AEE集成了代码编辑器、测试运行器、语义搜索、监控和外部API调用等工具，支持自动化的规划、任务分解和反馈循环。ACE与AEE的分离是SASE的关键设计决策——人类侧需要可读、可审计、可解释，而Agent侧则需要最大化效率和并行度。 **工件（Artifacts）** 是第四个支柱，也是SASE最具创新性的设计。在传统软件工程中，我们有需求文档、设计图、代码、测试用例等标准工件；但在Agent开发中，大量有价值的交互信息——Prompt、上下文、决策理由——往往随着对话结束而流失。SASE方法论主张用结构化、可版本化、可追溯的工件来替代这些临时性的交互。具体而言，BriefingScripts是任务级别的规格说明，捕获目标、约束、上下文、接口和明确的成功标准，是人类向Agent传达意图的核心载体。LoopScripts定义了Agent如何分解工作、并行化任务、设置检查点，以及何时重试、升级或终止，编码了控制流模式。MentorScripts将人类的专家知识、标准和防护规则编码为可复用的「指导策略」，让Agent在工作中能够参考团队的技术规范和安全约束。Consultation Request Packs是Agent在遇到歧义、冲突、缺失上下文或高风险决策时生成的结构化升级包，包含问题描述、相关证据、已考虑的选项和初步建议，使Agent能够「调用」人类专家而非盲目猜测。Merge-Readiness Packs是Agent组装的证据包，用以论证某项变更已准备好合并或部署，包含差异、测试结果、性能基准、风险评估和溯源链接，支持可审计的代码审查流程。Version-Controlled Resolutions是人类决策和澄清的第一类工件，记录关闭CRP或调整任务的决定，确保模糊的调用、风险权衡和政策解释都是可追溯和可回放的。 ## 实践路径：从方法论到工程落地 将SASE方法论转化为工程实践，需要团队在以下几个方面形成共识并建立基础设施。首先，需要重新定义人类工程师的角色定位和能力要求。人类不再是代码的直接生产者，而是Agent系统的设计者、教练和最终质量把关人。这意味着团队需要投入资源培养「Prompt工程」和「Agent编排」的能力，而不是单纯追求某项编程技能的熟练度。 其次，团队需要建立结构化工件的开发规范和版本控制流程。BriefingScripts、LoopScripts、MentorScripts不是普通的文档，而是需要像代码一样进行版本管理、代码审查和持续迭代的工程资产。建议从最小可行集开始——先定义BriefingScript的模板和编写规范，建立CRP的触发条件和处理流程，再逐步扩展到LoopScripts和MentorScripts。 第三，ACE和AEE的搭建可以分阶段进行。初期可以使用现有的开发工具链进行模拟，通过脚注和约定来区分人类侧和Agent侧的活动；随着团队对Agent协作的熟练度提升，再逐步投资建设专用的任务控制台和Agent运行时环境。关键是保持方法的连贯性，而不是等待完美的工具链就绪才开始实践。 SASE方法论的核心启示在于：AI Agent的成功应用不在于模型本身的智能程度，而在于围绕Agent构建的工程化体系是否足够健全。当团队能够系统化地定义角色、流程、工具和工件，能够对Agent的工作进行有效的监督、审计和改进，Agent才能从实验性的「智能玩具」转变为可信赖的软件工程参与者。 ## 资料来源 本文核心内容来源于Ahmed E. Hassan提出的Structured Agentic Software Engineering（SASE）方法论，详见其研究论文《Agentic Software Engineering: Foundational Pillars and a Research Roadmap》及公开的Agentic SE Book指南。 ## 同分类近期文章 ### [NVIDIA PersonaPlex 双重条件提示工程与全双工架构解析](/posts/2026/04/09/nvidia-personaplex-dual-conditioning-architecture/) - 日期: 2026-04-09T03:04:25+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 深入解析 NVIDIA PersonaPlex 的双流架构设计、文本提示与语音提示的双重条件机制，以及如何在单模型中实现实时全双工对话与角色切换。 ### [ai-hedge-fund：多代理AI对冲基金的架构设计与信号聚合机制](/posts/2026/04/09/multi-agent-ai-hedge-fund-architecture/) - 日期: 2026-04-09T01:49:57+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 深入解析GitHub Trending项目ai-hedge-fund的多代理架构，探讨19个专业角色分工、信号生成管线与风控自动化的工程实现。 ### [tui-use 框架：让 AI Agent 自动化控制终端交互程序](/posts/2026/04/09/tui-use-ai-agent-terminal-automation/) - 日期: 2026-04-09T01:26:00+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 详解 tui-use 框架如何通过 PTY 与 xterm headless 实现 AI agents 对 REPL、数据库 CLI、交互式安装向导等终端程序的自动化控制与集成参数。 ### [tui-use 框架：让 AI Agent 自动化控制终端交互程序](/posts/2026/04/09/tui-use-ai-agent-terminal-automation-framework/) - 日期: 2026-04-09T01:26:00+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 详解 tui-use 框架如何通过 PTY 与 xterm headless 实现 AI agents 对 REPL、数据库 CLI、交互式安装向导等终端程序的自动化控制与集成参数。 ### [LiteRT-LM C++ 推理运行时：边缘设备的量化、算子融合与内存管理实践](/posts/2026/04/08/litert-lm-cpp-inference-runtime-quantization-fusion-memory/) - 日期: 2026-04-08T21:52:31+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 深入解析 LiteRT-LM 在边缘设备上的 C++ 推理运行时，聚焦量化策略配置、算子融合模式与内存管理的工程化实践参数。