AI辅助编程进入后台和可集成时代

AI辅助编程到目前发展也就不到三年。从最早的 tab, 到后来的 tab tab, 再到 chat/apply, 后面出现标志性分界线：支持多文件修改的 Manual/Edit 模式，再到现在火辣的 Agentic，感觉这些进展就像发生在昨天。

后台化和并行化

当前 AI 辅助编程的主流使用方式还是基于IDE, 比如cursor/windsurf, 其他形态为辅助，比如 Web 形态或者 Terminal 形态。从上个月大部分厂商都开始支持多标签开始，AI辅助编程进入并行化时代，人类可以将任务拆解成多个可并行执行化的任务，然后在不同的标签里运行，从而实现并行化，而这种并行化一旦成为主流，就意味着用户已经无暇关注任务的运行过程了，对用户而言，他只关心自己的输入，以及Code Agent 给的结果，要么继续往后修改，要么返工重修。既然用户已经不关注中间的过程，那么意味着所有的任务都可以开始后台化，也就是我提交一个任务，你自己跑，跑完后你告诉我结果，我来review。

而更进一步的是， IDE 已经变得非常不适合了，因为 IDE 是强人机交互的一款产品。我们来看看厂商是如何用脚实际投票的：

codex 的web 版，已经无法查看代码，只能提交任务和review PR。
cursor 推出了 background agent ,然后你可以在slack 应用上发起需求。
Claude 提供了命令行和 Python API, 可以让你接入任何交互产品中。

实际上，Code Agent 和人类比的一个巨大优势页凸显出来了，也就是他可以高度并行化（真多核），而人类则很难(实际上是单核，最多实现一个抢占式伪并行)，通过高度并行化，进一步提升百倍千倍的效率。

可集成化

前面我提到了， IDE 只能人去用，所以导致任务发起也需要电脑打开IDE，打开项目，然后人去描述和提交。这种方式对人依赖太多。

其次，如果我希望同时启动十个代码修改任务，这种行为需要对应的AI辅助产品在功能上做支持，比如 IDE，首先他需要支持多标签，接着你就需要开十个标签，然后一个一个输入，一个一个提交。如果是Web 版本的，也是如此，需要他设计了这种backround 运行的机制。而如果你希望再灵活点，希望对接 github ,那么这种又要以来对应的AI辅助产品是否不是已经开发了对应的功能特性。

此外，你可能觉得 auto-coder.chat 的terminal 界面不好看，你觉得 claude code 的好看，或者你觉得 auto-coder.web 的web 界面不够酷炫，你想自己做一个，亦或者你希望能够在你已有的产品里集成AI辅助编程能力（大部分AI应用都需要编程能力，look my eye, trust me），你不可能再去花个一年开发一个完善的code agent ，而 cursor 这类你也没办法集成。那怎么办？我们提供了可集成化能力，这个能力通过 CLI 和 Python API 来支持。

CLI 和 Python API

我们来看下 CLI 是怎么用的：

bash 复制代码

echo "Write a function to calculate Fibonacci numbers"  | auto-coder.run --model v3_chat

CLI 的好处是什么，就是你可以随时用比如auto-coder.chat 写个Shell脚本，然后脚本里面调用 auto-coder.run 这个命令，就可以实现我们前面说的，启动五个并行的agent同时做任务修改。

此外， auto-coder.run 这个 CLI 还有会话记忆功能，你调用多次，可以在一个会话，他会记住你之前的调用，所以可以实现很复杂的一些东西。

或者，如果你的应用是Java ， Go 等其他语言开发的，你想在里面集成代码修改能力，那么你可以直接在这些语言里调用这个命令来完成，他的适配度是最高的，最灵活的。

但是，如果你希望有更好的控制该怎么办？比如我想自己做个Claude Code,我希望五天就做完，这个时候 CLI 的输出是很难很好的控制的，所以这个时候你就可以使用 Python API发挥作用的时候了：

python 复制代码

import asynciofrom autocoder.sdk import query, query_sync, AutoCodeOptions# 同步查询response = query_sync("Write a function to calculate Fibonacci numbers",options = AutoCodeOptions(                        model="v3_chat"    ))print(response)# 异步查询async def async_example():    options = AutoCodeOptions(                        model="v3_chat"    )
    async for message in query("Explain how Python decorators work", options):        print(f"[{message.role}] {message.content}")asyncio.run(async_example())

你可以通过 message拿到整个Agentic 的流输出。当然，我们还有事件的驱动的 API ,可以拿到更多的信息，方便你自己做渲染或者控制。类似这样子：

python 复制代码

import asynciofrom autocoder.sdk import modify_code_stream, AutoCodeOptions        async def main():    options = AutoCodeOptions(model="v3_chat")    async for event in modify_code_stream(        "Refactor the user authentication module",        options=options    ):        print(f"[{event.event_type}] {event.data}")asyncio.run(main())

可以看到，Python API 显然可以带来更好的控制，让你构建自己的 AI辅助编程工具，而不用等待第三方AI辅助编程工具提供对应的特性。此外，你还可以开发自己的 REST API 服务，方便其他非 Python 应用通过 Rest API 来访问。

总结

并发是 code agent 超越人类的地方，而并发必然带来后台化，后台化必然要带来交互层面的进一步变化，不是直接人机交互，而是和应用之间的交互，这必然要求 AI辅助编程工具具备可集成性，而集成性可以通过 CLI 和 Python APi 来满足。 auto-coder 作为一个有这快两年的AI辅助编程项目，从一开始就是交互和引擎分离的，今天，我们特地抽象出更好的API，方便用户更好的集成和使用。我们相信，被万物集成，后台化和高并发化，这会是 Code Agent 的一个新时代。