OSCHINA 编辑部【OSC 有问必答】栏目，聚焦开发者提出的实际问题，邀请行业专家、技术大咖或资深开发者进行深度剖析和解答，人话版呈现开发者们最关心的问题。

欢迎各位开发者说出你最关心的技术难题，也欢迎资深开发 er、行业专家、学者大咖们自荐！

交流可添加微信：JunoHsu1122

近两年在大模型技术的催化下，各种 AI 编程工具相继登场，用过的开发者可能会有一个感受——它们像是一个“超级补全工具”——你敲几个字母，它帮你补全代码。这也是过去 AI 编程工具被使用最多的功能。

不过，今年的编程工具似乎又有了一个大的升级，不仅擅长续写，还能自己规划任务、调试代码、甚至独立完成一个简单项目。这就是 Code Agent，代码智能体。

从“补全”到“自主”：Code Agent 是什么？

传统 AI 编程就像一本高级词典：你输入关键词，它给出建议，但每一步都需要人类主导。比如你想写一个网页登录功能，它会帮你补全代码片段，但整体架构设计、错误调试还得你自己来。

Code Agent 则更像一个全栈工程师：你只需要告诉它“开发一个人脸识别的登录系统”，它就会自己拆解任务——调用摄像头接口、集成人脸识别算法、处理异常情况，甚至生成测试用例。整个过程完全自主，还能根据运行结果动态调整方案。核心区别在于，传统 AI 编程是被动响应，依赖人类指令。Code Agent 则是主动规划，像人类一样分解任务、迭代优化，甚至懂得“查漏补缺”。

实际演示更为直观，比如同样在 Comate 中，Chat 模式下，输入“帮我生成一个俄罗斯方块游戏”，输出的是创建这个游戏的步骤和一些核心代码展示。但是在 Zulu 智能体的模式下，它可以自动创建文件，完成编码，并生成一个网页版本的游戏链接，如果想进行调整，也只需要在对话框内输入“加快方块的下落速度”等修改指令。最终，Zulu 模式可以直接给出一个终端执行的跳转链接，一键进入刚刚创建好的游戏界面。

左图为 chat 模式，右图为 zulu 模式

思考及执行步骤：

1. 创建项目设计文档 PLAN.md——项目规划，用来明确目标、功能模块和技术选型

2. 创建index.html文件——网页的入口，负责结构，搭建游戏的基本骨架

3. 创建style.css文件——处理样式，让游戏看起来更美观，布局合理

4. 创建game.js文件——戏的核心逻辑所在，处理游戏规则、用户输入、图形渲染等

5. 补充game.js的核心功能——具体说明每个功能的必要性

6. 检查项目文件结构——验证项目完整性、验证游戏功能完整性

7. 开发完成

8. 一键跳转，执行终端命令打开游戏

基于已经开发的项目，想给游戏换个皮肤，zulu 会先查看现有游戏的实现内容，了解当前项目状态，查看修改：

1. 查看HTML文件内容

2. 查看CSS文件内容

3. 更新CSS文件内容

4. 更新HTML文件内容添加标题和说明

5. 更新游戏逻辑添加视觉效果

6. 启动游戏进行验证

5月7日，通义灵码宣布全面支持 Qwen3，上线了编程智能体。

同样在智能问答模式下，它只能生成代码，无法直接创建应用。切换智能体模式，让它帮我创建一个俄罗斯方块游戏，前面还很顺利，跳转到游戏页面，没有方块。报给通义之后，它进行了两轮自动检查修复，还是没成，接下来需要手动修复问题。（博主到这里就放弃了，欢迎各位开发 er 们投稿晒一晒你们使用各种 AI 编程工具的成功 or 失败的案例，有奖互动）

投稿流程：

1. 登陆 OSCHINA 账号，发表博客

2. 将博客链接贴到本篇文章评论区并艾特博主

Agentic 模式：Code Agent 的“超能力”从哪来？

“Agentic（智能体化）”是 Code Agent 的灵魂。2024年3月，吴恩达在一个人工智能峰会上提到，最让他兴奋的技术趋势就是 Agentic AI。这种新的工作流程让大模型不再是被动接受指令，然后直接给出一个结果，而是像人一样有一个完整的“思考”的过程，可以通过研究、规划、修改等方式，将复杂任务拆解为多个步骤，通过循环迭代逐步优化结果，与人类解决问题的思维模式更为接近。

Agentic AI 模式适用于复杂任务，有四大设计模式：

• 反思（Reflection）：让 AI 在输出结果后，自行思考结果中是否有错误或者需要改进的地方。比如在编写代码时，通过引入审查员角色来改进代码质量。

• 工具调用（Tool Use）：大语言模型可以发起 API 请求，进行函数调用，执行具体任务。

• 规划（Planning）：AI 为复杂任务设计执行计划。

• 多智能体协作（Multi-Agent Collaboration）：多个 AI 角色分工协作，共同完成任务。

Agentic AI 延伸至 Code 上，它的优势体现在三个维度：一是自主思考，用户通过自然语言输出需求，Code Agent 可以直接理解理解需求，最终输出完整代码；二是动态调试，AI 自己可以当“测试工程师”，如果代码报错，Code Agent 通常不会卡住，而是像程序员一样查看错误信息，自动修正代码；三是全局视角，可以实现理解整个代码库，传统 AI 只能看到当前文件，而 Code Agent 可以整合系统上下文，如版本控制记录、API文档、项目架构等，理解代码之间的关联。

实际上，Agentic 模式下的 code agent 也可以看作是一个多 Agent 的编排系统，核心在于动态分工与智能协同：通常主 Agent 进行任规划与分配，然后调度代码生成、测试、部署等专家 Agent，形成"规划专家拆解任务→工具专家调用API→执行专家运行代码"的协作链。

此外，通过建立跨 Agent 的上下文知识库，记录代码修改意图、版本差异等元数据，使前端代码生成 Agent 与测试 Agent 保持认知同步，避免传统单 Agent 系统常见的上下文割裂问题。这种架构在 Codeium 的 Windsurf IDE 中已实现，其 Flows 引擎能同时协调8个专业 Agent 完成需求分析到部署的全生命周期管理。

因此，Agentic 模式是变成了一个完全自驱的模式，给定需求后它会想办法实现用户目标，大模型在其中也有主观能动性。比如在个人开发者的开源项目 Auto-Coder 里，会提供一些工具，比如阅读、搜索文件、修改文件的工具，把这些工具的使用说明告诉大模型，大模型会根据输入的需求拆解目标，计划每一步需要调用哪个工具。同时，大模型也会据工具调用结果更新系统状态，相当于边走边看，持续决策直至满足以下任一终止条件：

• 模型判定需求已实现

• 达到预设执行阈值

• 模型请求人工干预

Agentic 模式下的编程助手被寄予厚望，Cognition 创始人&CEO Scott Wu 在一档播客中畅谈了大热的 AI 程序员 Devin 的构建过程，以及 AI 编程对整个软件工程行业未来的趋势性影响。他提到，“我们一直在采用智能体化（Agentic）的方法，我认为最大的跃进在于异步与同步的区别，很多代码助手使用语言模型对代码进行自动补全，这节省了工程师的一部分时间，整体上将工程效率提升了 10% 到 20%。但 Devin 能够承担整个编码任务，它的提升是 10 倍，而不是 10%。用户可以将任务交给 Devin，然后继续处理自己的事情，他们可以同时运行其他 Devin，完成不同任务。”

市场新宠，“全员”上线 Agent 版本

Transformer 的自回归机制是根据前文 token 生成下一个 token，而代码恰恰是极具结构化的语言，可以说让大模型来写代码，天生专业对口。

近期，AI 编程资本市场的火爆也代表的业界对于其前景的看好。根据彭博社 5 月 6 日上午报道，OpenAI 已同意以约 30 亿美元（约合人民币 218 亿）收购 AI 编程助手开发商 Windsurf。据《金融时报》援引知情人士消息，Cursor 的开发公司 Anysphere 完成了一轮规模达 9 亿美元，推动估值达到约90亿美元，约合650亿元人民币，较年初暴涨逾3倍。

根据 Spherical Insights 的预测，至2032年，全球 AI 编码工具市场规模将超过295亿美元。种种消息显示，AI 编程正经历技术与商业的双重质变。

在这种背景下，海内外各大编程产品也在最近半年内，密集上线 Agent 版本，迈向 Agentic AI。

Cursor 在去年底上线了 Agent 版本，今年 4 月新版本中已经支持直接从对话生成规则/Generate Cursor Rules。Cursor Rules 用于自定义 AI 在 Cursor 中的行为，可以视为对大型语言模型（LLM）的指令或系统提示，也就是面向 Cursor 的“提示词”。

支持从对话生成规则后，可以让 AI 将你与 AI 之间来回的对话归纳成规则。这样 Agent 便可以通过分析当前对话中的需求、代码片段及项目结构，自动生成符合语义的规则模板。便于下次使用时，提取历史对话的上下文环境。例如，当用户讨论“Vue 3 组件命名规范”时，Agent 能提取关键词并生成对应的 PascalCase 命名规则。

号称一直采用 Agentic 方法的 Devin 在去年12月正式上线，以每月 500 美元的订阅价格销售。理论上它可以无需人类参与自行编写代码，并完成通常分配给人类开发人员的整个项目。而且，用户可以用多个 Devin Agent 并行完成不同的编程项目。

今年1月，字节跳动旗下 Trae 新增 AI 编程功能并发布海外版 Trae，支持 Agent 模式下的全流程开发，能感知 IDE 环境变化并实时调整代码，比如自动同步前后端接口。

今年 2 月， Copilot 上线了名为 "Project Padawan" 的自主 Agent。Padawan 将允许直接将问题分配给 Copilot，并进行全面测试，能够完成多种开发任务，如代码生成与审查、代码库重构或优化、自动化测试或流水线等流程、在架构设计错误排查及最佳实践上提供指导等等。

3月，百度旗下的文心快码宣布推出 Comate Zulu 版本并正式开放公测。Baidu Comate 研发工程师陈一言曾在3月源创会上表示，Zulu 的核心价值是能将陌生项目的结构、流程图、数据流和关键功能模块清晰解析，并标注对应代码位置。例如想添加自动测试功能时，无需手动查找文件，只需提出需求，Zulu 会自动定位修改位置并逐步实现。Zulu 还有 MVP 版本，对于代码修改可能引发的连锁影响，虽偶有需求理解偏差或报错，但通过少量人工校准即可解决。

与传统 AI 智能体对比，传统方案需在 Prompt 中预设完整流程，如数据分析步骤，若流程出错需人工干预。而 Zulu 采用自主规划策略，通过工具调用与环境交互：例如让 IDE 读取文件内容，若结果与预期不符，则调用规划工具制定新方案，再调用工具修改代码；若发现修改错误，可重新调用工具修正，这种动态循环机制实现了灵活的问题解决路径。

5月7日，通义灵码宣布全面支持 Qwen3，上线了编程智能体，具备自主决策、环境感知、工具使用等能力，可以根据开发者的诉求，使用工程检索、文件编辑、终端等工具，端到端地完成编码任务。同时支持开发者配置自己的 MCP 工具，更加贴合开发者工作流程，并集成魔搭 MCP 广场，开发者也可以一键下载 MCP 服务。

当前 AI 编程赛道的竞争格局，俨然重现了去年"百模大战"的硝烟弥漫——家家都练出了令人侧目的肌肉，然而今日的现象级产品，很可能在下一轮技术迭代中因功能创新滞后而淡出视野。当技术迭代速度从以年计算压缩至以周为单位，如何在用户心智中建立技术代差优势，构建真正的用户粘性，正成为所有参赛者的生死命题。

从技术应用的实际效果看，短期内，Code Agent更像“编程加速器”，它能显著提升常规功能模块的开发效率，但在处理复杂系统架构设计、关键业务逻辑验证，以及大型历史项目的代码重构时，仍需要人类工程师的深度参与并最终决策。这既是当前技术的客观局限，也是保证软件工程可靠性的必要防线。

但是长期来看，编程必将从“手工劳动”迈向“智能生产”，颠覆开发范式的颠覆。

正如 Cursor 母公司 Anthropic 首席执行官 Dario Amodei 在今年3月的一次公开发言中所说：“未来3到6个月，AI 将编写90%的代码，而在12个月内，几乎所有的代码都可能由 AI 编写。”这场始于代码补全的技术革命，终将重塑整个软件产业的底层逻辑。

致谢：本文的写作是受到 Auto-Coder 开源项目和3月份源创会 zulu 亮相的启发。

Auto-code 是开发者祝海林个人的一个开源项目，可以帮助开发者完成多种模式下的辅助编程，我们也跟作者聊了一下，可以看看开发者视角视角中的 Code Agent：对话 Auto-coder 作者，「Code Agent」和去年的 AI 编程比有什么不一样？

体验 Auto-Coder https://pypistats.org/packages/auto-coder

Zulu 是文心快码 Baidu Comate 编码辅助工具，中的智能体，可以进行代码问答等交互，感兴趣的读者可以查看源创会上关于 Zulu 的演讲：AI 编码工具也有自己的智能体了

体验 Comate Zulu https://comate.baidu.com/zh/competitorKeywords?track=SEM2025zulucp&bd_vid=10828110607619385952

转载链接：https://my.oschina.net/u/4489239/blog/18348629