AI 原生工程（AINE）
面向非确定性计算主体的工程学科。不是工作流自动化。不是提示工程。不是面向 AI 的敏捷。是一种严谨的系统工程方法，用于使用 AI 进行构建。
为什么需要新的工程学科
传统软件工程假设计算主体是确定性的：给定相同输入，得到相同输出。AI 代理从根本上打破了这一假设。一个由 LLM 驱动的代理是一个非确定性计算主体 — 它可能对相同输入产生不同输出，可能以不可预测的方式失败，其行为受到难以完全指定的上下文影响。
现有方法试图将 AI 塞入旧范式。工作流工具将 AI 视为管道中的一个步骤。提示工程将 AI 视为文本生成问题。敏捷方法论没有非确定性主体的概念。这些都不够充分。
AINE 提供了一个完整的工程框架，包含六个核心阶段：意图（Intent）、上下文（Context）、契约（Contract）、Chamber、构建/运行/运维（Build/Run/Ops）和反馈（Feedback）。每个阶段解决与非确定性主体协作的一个特定挑战。其结果是一门使 AI 系统像传统软件一样可工程化的学科 — 不是消除非确定性，而是包容和管理它。
AINE 论文已被 ICSA 2026（IEEE 国际软件架构大会）接收，这验证了它是软件工程研究领域的一项被认可的贡献。
核心阶段
意图 → 上下文 → 契约
意图（Intent）捕获你希望系统实现什么，而非如何实现。上下文（Context）提供 AI 主体所需的环境信息 — 数据、权限、历史。契约（Contract）定义边界：主体必须做什么、不能做什么，以及如何验证其输出。这三个阶段取代了非确定性系统中的"需求"和"规格说明"。
Chamber
Chamber 是 AI 主体的隔离运行时边界。它执行契约、管理上下文，并提供执行环境。Chamber 是可组合的 — 你可以嵌套、链接和编排它们。在 ArcBlock 的实现中，Chamber 直接映射到 Blocklet。
构建 / 运行 / 运维
构建（Build）将意图 + 上下文 + 契约编译为可部署的 Chamber。运行（Run）在适当的隔离和监控下执行它。运维（Ops）管理生命周期 — 扩展、更新、调试非确定性故障。构建编译器（Build Compiler）是一项关键创新：它将声明式规格转换为可运行的 AI 系统。
反馈循环
非确定性主体需要持续反馈。反馈阶段捕获运行时行为、契约违规、用户纠正和涌现模式。这些数据回流到意图和上下文的优化中，形成良性改进循环。这不是"微调" — 这是面向 AI 系统的工程级可观测性。
四大组件
AFS（智能体文件系统）
系统抽象层。一切皆文件、视图、上下文、身份。AFS 提供 AI 主体与世界之间的语义接口。了解更多关于 AFS →
Chamber 运行时
AI 主体的执行环境。执行契约、管理上下文边界、提供隔离。在 ArcBlock 的实现中映射到 Blocklet Server。了解更多关于 Blocklet 技术 →
构建编译器（Build Compiler）
将声明式规格（意图 + 上下文 + 契约）转换为可部署的 Chamber。这是双层复杂性模型的实际体现：平台层是确定性的（构建一次），而应用层是声明式的（AI 组合）。
AIGNE 框架
实现 AINE 原则的开源框架。提供组合 AI 代理、连接工具和部署到生产环境的构建模块。了解更多关于 AIGNE →
双层复杂性模型
AINE 引入了将复杂性从根本上分为两层的模型：
平台层（确定性，一次构建）：基础设施、运行时、安全、网络、身份 — 这些通过传统工程的严谨方法一次性解决。它们是确定性的、可测试的、可靠的。你用传统软件工程构建这一层。
应用层（声明式，AI 组合）：业务逻辑、面向用户的行为、内容、工作流 — 这些通过声明式方式指定，由 AI 组合。它们在平台层设定的边界内拥抱非确定性。你描述你想要什么；AI 系统找出如何实现。
这种分离使 AI 系统在实践中变得可工程化。平台层提供保障。应用层提供灵活性。