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:

  1. codex 的web 版,已经无法查看代码,只能提交任务和review PR。

  2. cursor 推出了 background agent ,然后你可以在slack 应用上发起需求。

  3. 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。

更多信息欢迎访问: https://uelng8wukz.feishu.cn/wiki/HCfgw6WoeigzXjkK4clco9TGnxf?fromScene=spaceOverview

相关推荐
中杯可乐多加冰10 分钟前
【AI落地应用实战】AIGC赋能职场PPT汇报:从效率工具到辅助优化
人工智能·深度学习·神经网络·aigc·powerpoint·ai赋能
东临碣石8219 分钟前
【AI论文】BlenderFusion:基于三维场景的视觉编辑与生成式合成
人工智能
正在走向自律21 分钟前
第二章-AIGC入门-开启AIGC音频探索之旅:从入门到实践(6/36)
人工智能·aigc·音视频·语音识别·ai音乐·ai 音频·智能语音助手
Trent198527 分钟前
影楼精修-智能修图Agent
图像处理·人工智能·计算机视觉·aigc
烟锁池塘柳028 分钟前
【大模型】解码策略:Greedy Search、Beam Search、Top-k/Top-p、Temperature Sampling等
人工智能·深度学习·机器学习
盼小辉丶44 分钟前
PyTorch实战(14)——条件生成对抗网络(conditional GAN,cGAN)
人工智能·pytorch·生成对抗网络
Allen_LVyingbo1 小时前
数智读书笔记系列035《未来医疗:医疗4.0引领第四次医疗产业变革》
人工智能·经验分享·笔记·健康医疗
zzc9212 小时前
时频图数据集更正程序,去除坐标轴白边及调整对应的标签值
人工智能·深度学习·数据集·标签·时频图·更正·白边
isNotNullX2 小时前
什么是数据分析?常见方法全解析
大数据·数据库·数据仓库·人工智能·数据分析
riveting2 小时前
明远智睿H618:开启多场景智慧生活新时代
人工智能·嵌入式硬件·智能硬件·lga封装·3506