iSAQB® CPSA-A - 面向智能体软件工程场景的架构（课程）

描述

参加iSAQB® CPSA-A 面向智能体软件工程场景的架构 (AGENTA) 课程后，学员可获得 20 个方法能力 (MC) 积分和 10 个技术能力 (TC) 积分。这些积分将计入参加 Brightest iSAQB CPSA-A 考试所需的 70 个积分。需要注意的是，在参加 Brightest iSAQB CPSA-A 考试所需的 70 个积分中，学员必须在以下每个领域获得至少 10 个能力积分： 

• 技术能力 (TC)
• 方法能力 (MC)
• 沟通能力 (CC)

经认证的 iSAQB® AGENTA – 面向智能体软件工程场景的架构 (CPSA-A) 培训以最新的 iSAQB® 课程大纲为基础：

第 1 部分 – 简介与基础知识

• 理解人工智能、机器学习、生成式 AI 和大语言模型之间的关系
• 区分 AI 辅助编程、AI 增强编程和智能体式编程
• 理解 AI 编排、智能体工作流和智能体式工程
• 认识智能体式工程与氛围编程之间的区别
• 理解大语言模型的能力和局限，包括幻觉、偏差、知识截止日期和上下文限制
• 说明提示词工程和上下文工程对 AI 生成结果质量的影响
• 区分 AI 助手和 AI 智能体
• 理解智能体循环、工具使用、状态管理、规划、子智能体和人在回路中的方法
• 对智能体式工程中的不同自主程度进行分类
• 了解规范驱动开发、智能体集群和对话式编程等方法
• 判断一项任务应由人员、传统软件工具还是 AI 智能体完成
• 理解 AI 助手和智能体如何在保留人工架构判断的同时支持软件架构工作

第 2 部分 – AI 辅助的架构决策

• 理解架构决策的生命周期以及智能体式工程对其产生的影响
• 在架构、开发、测试和运维之间建立持续反馈循环
• 使用 AI 支持持续且基于证据的架构决策
• 将质量目标细化为可评估的架构驱动因素和质量场景
• 识别质量目标、约束条件和架构意图之间的冲突
• 识别结构弱点、架构漂移、技术债务和不断增加的复杂性
• 将成熟的分析工具与 AI 辅助的架构评审和评估相结合
• 使用 AI 生成、完善和比较不同的架构方案
• 根据驱动因素、约束条件、原则和现有决策评估架构方案
• 将架构决策视为可测试的假设，并明确其前提和验证标准
• 设计轻量级实验、原型、模拟、技术探索和并行比较
• 认识 AI 辅助架构推理的局限和风险
• 为影响重大的架构决策设置评审点、防护机制和边界
• 将架构工作从规定具体实施细节转向协调目标、约束条件和验收标准
• 识别并控制智能体失控、无限循环和级联错误等编排风险
• 在设计智能体工作流时考虑成本和可持续性

第 3 部分 – 为智能体提供架构知识

• 理解 AI 智能体可获得的信息如何影响其输出的质量和架构一致性
• 将为智能体提供架构知识视为一项工程和设计挑战
• 识别与 AI 智能体相关的架构决策、约束条件、质量目标、原则、领域概念和系统边界
• 为智能体设计准确、易于维护且有效的架构知识表示形式
• 使用架构决策记录、架构规则、上下文文件、知识库、检索索引、图表即代码和结构化约束等格式
• 选择适当的机制，在合适的时间向智能体提供架构知识
• 评估检索增强生成和可重复使用的智能体技能等策略
• 理解模型上下文协议等标准化智能体与工具集成协议对架构的影响
• 评估智能体可获得的架构知识是否充分且结构合理
• 在提供全面架构上下文与避免无关或矛盾信息之间取得平衡
• 通过观察和评估智能体行为，逐步改善知识的提供方式
• 认识到共享文档并不会自动形成共同理解

第 4 部分 – 确保智能体与架构目标保持一致

• 理解 AI 智能体为何需要明确的架构控制和约束条件
• 认识不受约束的 AI 生成工作如何导致不一致、技术债务和架构漂移
• 理解仅靠架构知识不足以控制智能体行为的原因
• 设计预防性和检测性控制措施，确保 AI 生成工作处于架构边界之内
• 评估准确性与覆盖范围以及速度与分析深度之间的权衡
• 为结构规则和更广泛的质量特性选择适当的执行机制
• 使用架构测试、静态分析、代码检查工具、依赖规则、策略检查、评审关卡、沙盒和审批工作流
• 在开发和交付流程中的适当位置设置架构控制
• 为快速变化的 AI 辅助代码库建立持续架构验证机制
• 评估现有代码库和技术栈是否适合对 AI 智能体进行架构控制
• 逐步将架构控制引入现有系统
• 权衡建立控制措施所需的工作量与在没有控制的情况下运行智能体的风险
• 利用 AI 生成工作中的失败不断改进架构控制
• 确定哪些控制改进可以自动完成，哪些仍然需要人工判断

第 5 部分 – 提取架构信息

• 区分当前架构文档和目标架构文档
• 区分面向人员和面向智能体的架构信息
• 理解 AI 可以在哪些方面支持架构文档，以及哪些方面仍然需要人员协作
• 为 AI 辅助工作流创建简洁且机器可读的表示形式
• 在智能体式开发循环中持续维护架构决策和文档
• 发现智能体式开发何时在未明确说明的情况下更改或偏离现有架构决策
• 使用架构决策记录来记录决策、替代方案、理由和后果
• 使用 AI 根据上下文日志、防护机制输出、对话、电子邮件和会议记录起草 ADR
• 设置人工评审点，以保持可追溯性和问责机制
• 从源代码、代码库、接口、配置、测试和部署描述文件中提取架构信息
• 将 AI 生成的分析结果与静态和动态分析相结合
• 识别技术、框架、架构模式、设计模式和可能的业务规则
• 识别恢复出的架构信息中的缺失、不一致和不确定之处
• 根据开发工件生成和维护架构视图
• 使用 Mermaid 和 Structurizr 等文本格式创建受版本控制的动态文档
• 根据开发人员的知识和系统的实际行为验证生成的文档

第 6 部分 – AI 使用的治理与质量关卡

• 理解使用 AI 生成代码和工件时涉及的著作权及软件许可问题
• 建立控制措施，降低 AI 辅助开发中的著作权风险
• 评估使用 AI 工具时对个人数据和敏感数据的处理
• 理解数据保护要求中的角色和责任
• 将欧盟《人工智能法案》的基本角色、风险逻辑和分阶段要求应用于常见的 AI 工具使用场景
• 识别何时应让数据保护、信息安全、法律和其他利益相关者参与
• 以适合审计和决策的方式记录与 AI 相关的决定
• 确保 AI 生成结果的可追溯性和来源明确
• 使用结构化日志、上下文引用、资料引用、版本管理、链路追踪和监控
• 在不同团队和开发流程中一致地扩展 AI 治理
• 比较基于令牌和基于订阅的 AI 成本模式
• 选择 AI 服务时考虑供应商锁定、供应商灵活性和数据主权
• 在智能体与工具集成中使用防护机制、审批流程和允许列表
• 理解 AI 辅助开发和智能体式开发对环境的影响
• 根据模型大小、工作流设计和资源消耗制定可持续的使用策略
• 为 AI 工具的选择和使用制定安全且符合数据保护要求的规则
• 理解提示词注入、工具滥用和“困惑代理人”攻击等安全风险
• 采取最小权限、限定范围的凭据、明确审批和监控等措施
• 选择适当的容器或虚拟机沙盒策略

第 7 部分 – 不断发展的软件架构专业领域

• 继续对 AI 生成代码和工程成果承担责任并保持所有权
• 认识并应对因过度依赖 AI 而导致工程技能下降的风险
• 通过有意识的练习、以人为先的推理和 AI 辅助学习来保持核心技能
• 在评审和验证 AI 生成结果时运用批判性思维
• 区分 AI 辅助推理和将决策权交给 AI
• 识别必须继续由人员负责的架构活动
• 使用共同术语和领域词汇，提高智能体决策的一致性
• 衡量团队是否提升了架构能力，而不是只提高了结果产出速度
• 通过明确假设、受控实验和可衡量成果采用 AI 辅助开发
• 将 AI 的采用理解为一个持续过程，包括获得使用权限、实际采用、能力提升、工作方式改变和组织发展
• 通过培训、实验、明确责任和心理安全支持 AI 的采用
• 使用交付周期、变更失败率、DORA 指标和开发人员体验信号等有意义的指标
• 采用结合人员与 AI 的协作模式，同时保持团队成员之间的有效沟通
• 理解单一智能体、子智能体和智能体团队等智能体拓扑结构
• 根据 AI 辅助开发调整角色、团队结构、工程实践和架构职责
• 从代码行级别的实施转向更广泛的架构思维、产品导向思维和成果导向思维
• 理解 AI 如何影响软件架构、解决方案架构和企业架构