> ## Documentation Index
> Fetch the complete documentation index at: https://aicoding.cscitech.top/llms.txt
> Use this file to discover all available pages before exploring further.

# 从代码补全到自主 Agent

# 从代码补全到自主 Agent

代码补全是 AI Coding 最早、也最容易理解的形态；自主 Agent 则代表 AI 从“给建议”走向“执行任务”。这条演进路线的核心，并不是 AI 一次能生成更多代码，而是它获得了更大的上下文、更丰富的工具，以及根据结果继续行动的能力。

<aside>
  🎯

  学习目标

  学完本节，你应该能够：

  * 说清代码补全、对话助手和自主 Agent 的区别
  * 判断一个工具处于“建议、协作还是执行”阶段
  * 理解自主程度提高后，为什么验证与权限控制会更重要
</aside>

## 先思考一个问题

如果 AI 能根据一句需求生成完整功能，它就算“自主 Agent”了吗？

不一定。**生成代码**只说明模型能够给出内容；**自主执行任务**还要求它能够读取环境、制定步骤、调用工具、观察结果，并根据反馈继续调整。

## 第一阶段：代码补全

代码补全工具会根据光标前后的内容，预测接下来最可能出现的代码。开发者仍然掌握完整的工作流：决定写什么、在哪个文件中写，以及是否接受建议。

例如，当你输入：

```python theme={null}
def calculate_total(items):
```

AI 可能继续生成循环、求和和返回值。这种模式很像“智能输入法”：速度快、打扰少，但它通常只理解局部上下文，也不会主动运行或验证代码。

\*\*人的职责：\*\*定义目标、拆分步骤、检查每一次补全。
\*\*AI 的职责：\*\*预测并建议下一段代码。

## 第二阶段：对话式编程助手

当工具加入聊天界面后，开发者不再只能通过代码开头表达意图，还可以直接提出问题：

* 解释这段代码
* 为什么会出现这个报错？
* 帮我写一个用户登录接口
* 给这个函数补充测试

对话助手可以处理更完整的需求，也能解释方案，但它的回答通常仍停留在聊天窗口中。开发者需要自行选择文件、复制或应用代码，并运行验证。

这时，AI 从“预测下一行”变成了“根据自然语言提供方案”。

## 第三阶段：上下文感知的代码编辑

下一步，AI 开始理解项目级上下文。它可以搜索仓库、读取多个文件，并直接生成可审查的修改。

例如，面对“给用户接口增加邮箱校验”这个任务，它可能同时修改：

1. 数据模型
2. 接口处理逻辑
3. 错误提示
4. 单元测试

与对话助手相比，关键变化不是输出变长了，而是 AI 开始理解**修改应该发生在哪里**，并能把一次需求映射到多个文件。

<aside>
  💡

  判断标准

  如果 AI 只是告诉你“应该怎么改”，它更接近对话助手；如果它能定位文件并提交一组可审查的修改，它已经进入代码协作阶段。
</aside>

## 第四阶段：IDE 与 CLI Agent

当 AI 能调用工具时，它就开始具备 Agent 特征。常见工具包括：

* 搜索和读取项目文件
* 创建、修改或删除文件
* 执行终端命令
* 运行测试、构建和代码检查
* 查看日志和错误信息
* 读取 Git Diff

此时，工作流不再是简单的“提问 → 回答”，而是一个循环：

**理解目标 → 制定计划 → 修改代码 → 运行验证 → 分析结果 → 继续修正**

例如，你要求它“修复注册接口测试失败的问题”，Agent 可能先运行测试，定位失败用例，读取相关代码，修改实现，再次运行测试。如果仍然失败，它会根据新错误继续调整。

这说明 Agent 不只是生成代码，还会使用真实环境中的反馈。

## 第五阶段：自主与后台 Agent

更进一步的 Agent 可以在较少人工干预的情况下完成较长任务，甚至在云端后台运行。开发者给出目标和约束后，Agent 可以：

1. 获取任务和代码仓库
2. 分析需求并制定计划
3. 在独立环境中修改代码
4. 运行测试和质量检查
5. 生成提交或 Pull Request
6. 汇报结果、风险与未解决问题

这里的“自主”不是无人负责，而是**人从逐行操作者变成目标制定者和结果审核者**。

## 五种形态的核心区别

| 形态            | 主要输入   | 可见上下文      | 能否修改代码   | 能否运行工具 | 人的主要角色      |
| ------------- | ------ | ---------- | -------- | ------ | ----------- |
| 代码补全          | 当前代码   | 局部代码       | 接受后修改    | 否      | 逐行编写者       |
| 对话助手          | 自然语言问题 | 对话和粘贴内容    | 通常不能直接修改 | 通常不能   | 方案执行者       |
| 上下文编辑         | 修改指令   | 多文件或项目     | 可以       | 有限     | 修改审核者       |
| IDE/CLI Agent | 任务目标   | 仓库与运行环境    | 可以       | 可以     | 过程监督者       |
| 自主后台 Agent    | 目标与约束  | 仓库、任务和独立环境 | 可以       | 可以持续执行 | 目标制定者与结果验收者 |

## 真正的分界线：是否形成闭环

可以用四个问题判断一个工具离自主 Agent 有多远：

1. \*\*它看得到什么？\*\*只能看光标附近，还是能读取整个仓库和运行环境？
2. \*\*它做得到什么？\*\*只能输出文本，还是能修改文件、运行命令和提交代码？
3. \*\*它会不会验证？\*\*生成代码后是否会运行测试，并根据结果继续修正？
4. \*\*谁决定下一步？\*\*每一步都由人指定，还是 AI 能在约束内规划后续行动？

当一个系统能够“观察—行动—验证—调整”，它才真正具备 Agent 式工作能力。

## 自主程度越高，不代表风险越低

Agent 能执行的动作越多，效率可能越高，但错误的影响范围也会扩大：

* 错误理解需求后修改多个文件
* 运行危险或不可逆的命令
* 接触不必要的密钥和敏感数据
* 测试通过，但实现偏离真实业务目标
* 为完成任务而引入过度复杂的方案

因此，成熟的人机协作并不是“把所有权限交给 AI”，而是根据任务设置边界：限制可访问范围、要求展示计划、审查 Diff，并在关键操作前保留人工确认。

## 一个任务在不同工具中的表现

假设任务是：**给待办应用增加“按完成状态筛选”的功能。**

* \*\*代码补全：\*\*你逐步编写筛选函数，AI 补全条件判断。
* \*\*对话助手：\*\*AI 给出实现思路和示例代码，你手动应用。
* \*\*上下文编辑：\*\*AI 找到列表组件和状态管理文件，生成多文件修改。
* \*\*IDE/CLI Agent：\*\*AI 修改代码，运行测试和构建，再根据错误修复。
* \*\*自主后台 Agent：\*\*AI 在独立环境完成实现与验证，并提交一个供你审查的 Pull Request。

同一个模型可以出现在不同工具形态中。真正决定体验的，除了模型能力，还有它能看到的上下文、能够调用的工具，以及被授予的权限。

## 练习：判断它是不是 Agent

观察你正在使用的一款 AI Coding 工具，并回答：

* 它能读取多少项目上下文？
* 它可以直接修改哪些内容？
* 它能运行测试或终端命令吗？
* 失败后，它会自己根据结果继续尝试吗？
* 哪些操作必须经过你的确认？
* 点击查看参考答案

  判断一款工具更接近助手还是 Agent，关键不在于它一次生成了多少代码，而在于它能否形成工作闭环。如果读取上下文、修改文件、执行命令和验证结果等大部分步骤仍需你手动完成，它更接近助手；如果它能围绕目标连续完成“观察—行动—验证—调整”，并只在关键节点请求确认，它就更接近 Agent。

## 本节小结

AI Coding 工具的演进，可以概括为：

**补全代码 → 回答问题 → 编辑项目 → 调用工具 → 自主执行任务**

其中最重要的变化有三点：

1. 上下文从局部代码扩展到完整项目和运行环境
2. 输出从文字建议扩展到真实操作
3. 工作方式从一次性回答变成持续验证和调整的闭环

但无论工具多么自主，开发者仍然需要负责目标、约束、审查和最终结果。AI 的自主程度提升了，人的工作不是消失，而是从“亲自完成每一步”转向“设计任务并确保结果正确”。