AI 原生工程（AINE）
面向非確定性計算主體的工程學科。不是工作流自動化。不是提示工程。不是面向 AI 的敏捷。是一種嚴謹的系統工程方法，用於使用 AI 進行構建。
為什麼需要新的工程學科
傳統軟體工程假設計算主體是確定性的：給定相同輸入，得到相同輸出。AI 代理從根本上打破了這一假設。一個由 LLM 驅動的代理是一個非確定性計算主體 — 它可能對相同輸入產生不同輸出，可能以不可預測的方式失敗，其行為受到難以完全指定的上下文影響。
現有方法試圖將 AI 塞入舊範式。工作流工具將 AI 視為管線中的一個步驟。提示工程將 AI 視為文字生成問題。敏捷方法論沒有非確定性主體的概念。這些都不夠充分。
AINE 提供了一個完整的工程框架，包含六個核心階段：意圖（Intent）、上下文（Context）、契約（Contract）、Chamber、構建/運行/維運（Build/Run/Ops）和反饋（Feedback）。每個階段解決與非確定性主體協作的一個特定挑戰。其結果是一門使 AI 系統像傳統軟體一樣可工程化的學科 — 不是消除非確定性，而是包容和管理它。
AINE 論文已被 ICSA 2026（IEEE 國際軟體架構大會）接收，這驗證了它是軟體工程研究領域的一項被認可的貢獻。
核心階段
意圖 → 上下文 → 契約
意圖（Intent）捕獲你希望系統實現什麼，而非如何實現。上下文（Context）提供 AI 主體所需的環境資訊 — 資料、權限、歷史。契約（Contract）定義邊界：主體必須做什麼、不能做什麼，以及如何驗證其輸出。這三個階段取代了非確定性系統中的「需求」和「規格說明」。
Chamber
Chamber 是 AI 主體的隔離運行時邊界。它執行契約、管理上下文，並提供執行環境。Chamber 是可組合的 — 你可以巢狀、鏈接和編排它們。在 ArcBlock 的實現中，Chamber 直接對映到 Blocklet。
構建 / 運行 / 維運
構建（Build）將意圖 + 上下文 + 契約編譯為可部署的 Chamber。運行（Run）在適當的隔離和監控下執行它。維運（Ops）管理生命週期 — 擴展、更新、除錯非確定性故障。構建編譯器（Build Compiler）是一項關鍵創新：它將宣告式規格轉換為可運行的 AI 系統。
反饋循環
非確定性主體需要持續反饋。反饋階段捕獲運行時行為、契約違規、使用者糾正和湧現模式。這些資料回流到意圖和上下文的最佳化中，形成良性改進循環。這不是「微調」 — 這是面向 AI 系統的工程級可觀測性。
四大組件
AFS（智能體檔案系統）
系統抽象層。一切皆檔案、視圖、上下文、身份。AFS 提供 AI 主體與世界之間的語義介面。了解更多關於 AFS →
Chamber 運行時
AI 主體的執行環境。執行契約、管理上下文邊界、提供隔離。在 ArcBlock 的實現中對映到 Blocklet Server。了解更多關於 Blocklet 技術 →
構建編譯器（Build Compiler）
將宣告式規格（意圖 + 上下文 + 契約）轉換為可部署的 Chamber。這是雙層複雜性模型的實際體現：平台層是確定性的（構建一次），而應用層是宣告式的（AI 組合）。
AIGNE 框架
實現 AINE 原則的開源框架。提供組合 AI 代理、連接工具和部署到生產環境的構建模組。了解更多關於 AIGNE →
雙層複雜性模型
AINE 引入了將複雜性從根本上分為兩層的模型：
平台層（確定性，一次構建）：基礎設施、運行時、安全、網路、身份 — 這些透過傳統工程的嚴謹方法一次性解決。它們是確定性的、可測試的、可靠的。你用傳統軟體工程構建這一層。
應用層（宣告式，AI 組合）：業務邏輯、面向使用者的行為、內容、工作流 — 這些透過宣告式方式指定，由 AI 組合。它們在平台層設定的邊界內擁抱非確定性。你描述你想要什麼；AI 系統找出如何實現。
這種分離使 AI 系統在實踐中變得可工程化。平台層提供保障。應用層提供靈活性。