AAperture
Back/harness engineering

Systems Engineering for Agentic Software

Updated 2026-04-19
2 min read
259 words

Systems Engineering for Agentic Software

Ashpreet Bedi 的论点：coding agents 降低了写代码的门槛，但没有降低生产软件的要求。Agentic software 本质上是系统工程问题。

五层架构

1. Agent Engineering

Agent 或多 agent 逻辑与执行流。模型、系统指令、工具配置、交接、上下文管理、可观测性。

Agent 行为应在可能的地方确定性，在不可能的地方可观测。

2. Data Engineering

Agent 的上下文本质就是数据。应用数据工程原则管理：

  • 设计良好的 schema
  • 结构化查询
  • 快速读写的数据库
  • 长期存储的对象存储
  • 保持知识和记忆更新的工作流

这些模式已有数十年历史。直接使用。

3. Security Engineering

Auth、RBAC、治理、数据隔离、审计追踪。

关键原则：

  • Read-only access 不是 prompt instruction，是 tool configuration
  • 行动审批层级：reads 自由运行 → writes 需用户批准 → sensitive operations 需 admin 签字
  • 大多数行动应记录并可查询
  • 隔离请求：一个用户的上下文 bleed 到另一个用户是数据泄露，不是"bug"

4. Interface Engineering

用户和其他 agent 如何到达你的 agent：REST API、Slack、MCP server、终端、Chat UI。

现在你有多个表面，每个有自己的身份系统：

  • Slack 用户 ID ≠ 产品用户 ID
  • MCP client 认证为另一个 agent ≠ 人类用户

Auth、policies、access controls 必须在每个表面保持一致。

5. Infrastructure Engineering

容器、云部署、水平扩展。95% 与运行任何其他服务相同。5% 不同：

  • Agent 请求更长（增加 load balancer 超时）
  • 响应流式（规划 SSE 或 WebSockets）
  • 最佳 agent 是主动的（定时任务、后台执行）

Dash 开源数据 Agent 案例

Dash 演示全部五层：

Agent Engineering：Leader agent 路由到两个专家（Analyst 只读查询 / Engineer 可写构建资产）。相同工具接口，不同权限，由配置决定而非 prompt。

Interface Engineering：同一系统，四个表面（REST API、Slack bot、web UI、CLI）。添加新界面不需要重建 agent 逻辑。

Data Engineering：六层上下文（表元数据、人工注释、查询模式、机构知识、学习积累、运行时上下文）。Query 100 比 query 1 好，不是因为模型改进，而是因为数据层改进。

Security Engineering：RBAC + JWT。Analyst 的只读访问是 PostgreSQL 连接参数；Engineer 只能写到单一 schema。Eval suite 直接测试边界（提示 agent 泄露凭证、执行破坏性 SQL、跨 schema）。

Infrastructure Engineering：标准 Python 容器 + Docker Compose + 一键云部署 + SSE 流式。

核心洞察

Agentic software is just regular software, with the business logic replaced by agents, and interfaces going from request/response to streaming across multiple surfaces.

当你从系统视角设计时，正确的决策变得明显：

  • 给 agent 良好范围的工具，而非无限制的 bash 访问
  • 将 session、memory、knowledge 存入数据库而非文件，以利用多租户模式

当你在隔离中设计一层时，会继承级联到系统其余部分的约束。当你从系统视角设计时，每一层都强化其他层。

Counterpoints & Gaps

  • Dash 是数据 agent 特化案例，对非数据密集型 agent 的适用性需验证
  • 五层框架缺少"成本工程"层，agentic 系统的 token/推理成本是新的系统约束
  • 安全层的 eval suite 测试是理想状态，实际构建和维护成本未量化

Sources

Linked from