〇、前言
在上一篇文章中介绍的 Trae，就属于 Agentic Coding 的典型代表，详情可点击：AI Coding 工具 Trae 的简单实践。
Agentic Coding 可以帮助人类工程师做许多复杂的、重复性的事务，恰当的使用可以大大提升工作效率，那么本文就来简单介绍下这个概念。
一、关于 Agentic Coding
1.1 简介
Agentic Coding（智能体编程/代理式编程）是一种以 AI 智能体（AI Agent）为核心执行者的软件开发范式。AI 不再是被动的代码补全助手，而是能够自主规划、执行、调试、甚至并行处理多项开发任务的"AI 程序员"。
关键转变：从"人写代码，AI 辅助" → "人定目标，AI 执行"。
与传统 AI 的区别如下表：
| 维度 | GitHub Copilot (1.0) | Cursor (2.0) | Agentic Coding (3.0) |
|---|---|---|---|
| 角色定位 | 代码补全助手 | AI Native IDE | 自主AI工程师 |
| 工作模式 | 被动响应 | 交互式协作 | 主动规划执行 |
| 任务范围 | 单行/函数级 | 文件/模块级 | 项目/系统级 |
| 自主性 | 无 | 低 | 高 |
| 典型工具 | Copilot | Cursor | Claude Code, Devin, Manus |
- 第一阶段：GitHub Copilot (1.0) ------ 代码补全助手（更聪明的自动完成）
这是 AI 编程的启蒙阶段。AI 的角色类似于一个坐在你旁边的初级程序员（Pair Programmer），但它主要处于被动状态。
它不理解项目的整体架构，只关注当前光标附近的上下文。只有当开发者开始打字或按下快捷键时，它才会生成建议。开发者必须逐行审查、接受或拒绝。
它擅长写样板代码（Boilerplate）、简单的算法逻辑、单元测试片段或正则表达式。但是它很难处理跨文件的复杂依赖。
它没有记忆（除了当前的上下文窗口），不会规划任务，也不会主动修复错误。所有的决策权和控制权完全在人类手中。
另外，它容易产生幻觉，难以理解大型项目的全局逻辑，无法独立完成任务闭环。
- 第二阶段：Cursor (2.0) ------ AI Native IDE（深度集成的交互式协作伙伴）
这一阶段标志着 IDE（集成开发环境）的重构。AI 不再是插件，而是 IDE 的核心引擎。
代表工具如 Cursor，它将大模型深度嵌入到编辑、搜索、调试和重构的全流程中。它的角色定位为 AI Native IDE，不仅仅是补全代码，而是理解整个项目库（Codebase）。
**工作模式为交互式协作。**开发者可以用自然语言描述需求（Chat），AI 能理解多文件上下文，直接修改多个文件，甚至通过 Cmd+K 直接在编辑器中重写代码块。
它支持**"对话式开发"**。任务范围不再局限于代码块，而是文件/模块级。能够理解文件间的引用关系，可以进行跨文件的重构、添加新功能模块、修复涉及多个文件的 Bug。
另一个大的问题就是自主性低。虽然它能执行多步操作（如"在这个项目中添加用户登录功能"），但它仍然需要人类频繁地确认每一步更改（Apply/Discard），并且通常局限于人类划定的范围内。它缺乏长期的任务规划能力。
第二阶段的突破点就是，引入了 RAG（检索增强生成）技术，让 AI 能"读懂"整个项目仓库，解决了上下文缺失的问题。
- 第三阶段：Agentic Coding (3.0) ------ 自主 AI 工程师（具备规划与执行能力的自主代理）
这是当前的最前沿（2025-2026年爆发期）。AI 从"副驾驶"变成了"主驾驶"或"独立工程师"。它不仅会写代码，还会思考、规划、使用工具、自我纠错。
**角色定位是：自主 AI 工程师。**它是一个独立的 Agent（智能体），拥有明确的目标导向。
**工作模式：主动规划执行。**感知：接收模糊的高层目标（如"创建一个待办事项网站并部署"）。规划：自主拆解任务（设计数据库 -> 搭建后端 -> 编写前端 -> 测试 -> 部署）。执行：自主调用终端命令、运行测试、读取文档、编写代码。反思：如果测试失败，它会自己分析错误日志，修改代码，再次运行，直到成功。
**任务范围上升到项目/系统级。**能够从零开始构建完整的应用程序，或者对遗留系统进行大规模迁移和重构。
**自主性更高。**人类只需设定目标和约束条件（Guardrails），中间过程由 AI 自主闭环。它可以长时间运行（Long-running tasks）。
核心价值就是，将人类从"编写者"解放为"审核者"和"架构师"。人类负责定义"做什么（What）"和"为什么（Why）"，AI 负责解决"怎么做（How）"。
1.2 Agentic Coding 系统架构
在 Agentic Coding 架构中，Profile 确立了 Agent 的"人设"与底线，Planning 是大脑负责思考路径，Memory 提供了持续的记忆与背景知识，Tools 是手脚负责执行操作，MCP 是神经系统确保了与外界的高效标准化连接，而 Skills 则是经过训练的专业肌肉记忆。
这六大组件共同作用，使得 AI 从被动的代码建议者转变为主动的软件工程合作伙伴。下面看下他们的详细介绍。
其中五大核心组件：
| 组件 | 功能 | 说明 |
|---|---|---|
| Profile | 角色定义 | 系统提示词、性格特征、权限边界 |
| Planning | 任务规划 | 问题拆解、步骤排序、资源分配 |
| Memory | 上下文记忆 | 短期/长期记忆、代码库理解 |
| Tools | 工具调用 | 终端、文件操作、API调用、测试执行 |
| MCP | 模型上下文协议 | 连接外部数据源和工具的标准协议 |
Profile（角色定义）定义 Agent 的身份、行为准则和能力边界。
这主要包括三个部分：
1）系统提示词（System Prompt）： 这是 Agent 的"灵魂"，规定了它作为什么角色 （如"高级后端工程师"、"安全审计专家"）来行动。它设定了整体的语调、专业领域和首要目标。
2）性格特征： 决定 Agent 的交互风格，是激进尝试还是保守稳健 ，是详细解释还是简洁输出 。
3）**权限边界：明确划定 Agent 能做什么、不能做什么。**例如，是否允许删除文件、是否允许访问网络、是否允许执行未经确认的命令。这是保障系统安全的第一道防线。
Planning（任务规划）将模糊的用户需求转化为可执行的具体步骤序列。
主要包括：
1）问题拆解： 面对复杂任务（如"构建一个带有用户认证的REST API"），Agent 需要将其分解为多个子任务 （如：设计数据库 Schema、实现注册接口、实现登录接口、编写测试用例）。
2）步骤排序： 确定子任务的依赖关系和执行顺序 ，形成逻辑严密的工作流。
3）资源分配： 预判每个步骤所需的工具、上下文信息或外部知识，并提前准备。优秀的 Planning 能力能让小模型发挥出超越其本身的效果，是区分普通助手和高级 Agent 的关键。
Memory（上下文记忆）可以维持对话连贯性，存储项目知识，支持长期学习。
主要包括：
1）短期记忆： 通常指当前的上下文窗口（Context Window） ，包含当前的对话历史、正在编辑的代码片段和即时反馈。随着模型上下文窗口的扩大（如达到百万级 Token），短期记忆能容纳整个项目的代码库。
2）长期记忆： 通过向量数据库或外部存储实现，用于存储项目架构决策、常用代码模式、历史错误及解决方案等 。这使得 Agent 在跨越多次会话后仍能"记住"项目的特定细节 。
3）代码库理解： 不仅仅是存储代码，还包括对代码结构、依赖关系、函数调用链的语义理解，以便在修改一处代码时能预判对其他部分的影响。
Tools（工具调用）能赋予 Agent 与外部环境交互、执行实际操作的能力。
主要包括以下四种：
1）终端操作：执行 Shell 命令 ，如安装依赖（npm install）、运行服务、查看日志等。
2）文件操作： 读取、写入、创建、删除、重命名文件及目录，直接修改项目代码。
3）API 调用： 与外部服务交互，如查询文档、调用第三方 API、获取实时数据。
4）**测试执行与修复：**自动运行单元测试、集成测试，并根据测试结果进行调试和修复，形成"编写-测试-修复"的闭环。
MCP（Model Context Protocol, 模型上下文协议）提供连接大模型与外部数据源、工具的标准通用接口。
主要包括以下三个作用：
1）标准化连接： 由 Anthropic 提出并开源，旨在解决不同模型与不同工具之间"N×M"的集成碎片化问题。它就像 AI 世界的"USB-C接口"。
2）解耦架构： 开发者只需按照 MCP 标准实现一次服务器端接口 ，任何支持 MCP 的客户端（如 Claude Code、Cursor 等）即可无缝连接该工具或数据源，无需为每个模型单独适配 。
3）生态扩展： 极大地丰富了 Agent 的能力边界，使其能轻松访问本地数据库、文件系统、Git 仓库以及各类云服务，是实现 Agentic Coding 大规模落地的基础设施。
Skills（技能库）可以封装特定领域的专业知识、最佳实践或复杂工作流，供 Agent 按需调用。
主要包括以下四种：
1）知识封装： 将复杂的操作流程（如"创建一个符合 AWS 最佳实践的 S3 桶"）或特定领域的知识（如"React 性能优化指南"）预定义为标准化的 Skill 。
2）提高准确性： 相比于让模型凭空生成，调用经过验证的 Skill 能显著提高代码质量和合规性，减少幻觉 。
3）与工作流的区别： 如果说 Workflow 是"食谱"（规定先做什么后做什么的编排逻辑），那么 Skill 就是具体的"烹饪技巧"（如切菜、煎炒的具体方法）。Skill 是构成 Workflow 的基本原子单元。
4）动态加载： Agent 可以根据任务需求，动态加载和组合不同的 Skills，像搭积木一样构建复杂的解决方案。
1.3 Agentic Coding 标准工作流
这个工作流简单可概括为六步。
| 阶段 | 人类角色 | AI角色 | 产出物 |
|---|---|---|---|
| ① 需求定义 | 定义目标、约束、验收标准 | 理解需求、澄清模糊点 | 需求规格 |
| ② 任务规划 | 审核计划、调整优先级 | 拆解任务、制定执行路径 | 执行计划 |
| ③ 代码生成 | 关键决策点确认 | 编写代码、文档、注释 | 源代码 |
| ④ 自动测试 | 定义测试场景 | 生成测试用例、执行测试 | 测试报告 |
| ⑤ 问题修复 | 确认修复方案 | 定位问题、修复代码 | 修复补丁 |
| ⑥ 迭代优化 | 提出优化方向 | 重构代码、性能优化 | 优化版本 |
下面进行详解。
- ① 需求定义（Requirement Definition）这是整个流程的基石，产出：需求规格说明书（PRD）/用户故事地图
在 Agentic 模式下，人类不再是写文档的人，而是产品经理 + 架构师的混合体。
**人类角色主要就是定义目标、设定基本的约束、明确验收标准（DoD）等。**例如现在有一个需求就是"构建一个高并发的秒杀系统"。仅从这句话来讲，需求大而空。因此，不仅要说"做什么"，还要说"为什么做"，例如"以支撑双 11 流量"等等一些细节。还需要明确技术栈（如 .Net、Go、Java 等开发语言），性能指标（QPS > 10k）、安全合规要求及预算限制。还有验收标准（DoD），提供具体的 User Stories 或 Gherkin 语法（Given-When-Then），让 AI 有明确的判断依据。
**AI 角色主要就是语义理解与澄清、可行性预判等等。**首先 AI 不会盲目开始，它会像初级产品经理一样反问："您提到的'高并发'具体指多少？是否需要分布式锁？"另外，基于知识库，AI 会提示潜在的技术风险（如："在该约束下，使用 MySQL 可能遇到瓶颈，建议引入 Redis"）。
特别注意，需求规格说明书必须是机器可读性强的，不仅仅是给人看的，因此描述需要直白一点，避免模棱两可之类的表达。
- ② 任务规划（Task Planning）这是将宏观目标转化为微观可执行步骤的关键环节，体现了 Agent 的推理能力（Reasoning），产出：执行计划（Execution Plan）/任务树
**人类角色主要负责审核计划、调整优先级等等。**首先是检查 AI 拆解的逻辑是否合理，是否存在依赖循环。决定是先做核心链路（MVP），还是先做基础设施。人类在此处掌握"方向盘"。
**AI 角色主要负责任务拆解（Decomposition）、制定执行路径、工具选择。**自动将大需求拆解为原子任务（Atomic Tasks），例如：创建数据库 schema -> 编写 API 接口 -> 编写单元测试。还要生成 DAG（有向无环图）式的执行计划，确定哪些任务可以并行，哪些必须串行。还可以自动决定需要调用哪些工具（如：需要运行 Docker，需要访问 AWS API，需要读取特定文件等等）。
产出的执行计划通常是一个结构化的 JSON 或 Markdown 列表，包含任务 ID、描述、前置依赖、预估耗时等等。
- ③ 代码生成（Code Generation）全文件级的生成与修改。产出：源代码（Source Code）+配套文档
人类角色负责关键决策点确认、上下文注入。当 AI 遇到多种设计模式选择或复杂的业务逻辑分支时，暂停并请求人类确认（Human-in-the-loop）。在复杂场景中，人类可能需要提供额外的领域知识或遗留代码片段作为上下文。
**AI 角色可以多文件协同、文档与注释、自我审查（Self-Correction）。**可以同时创建/修改多个文件（Controller, Service, Model, Config），并保持引用一致性。同步生成 API 文档（Swagger/OpenAPI）、README 以及代码内的解释性注释。在输出前，AI 会先在内部"预演"代码逻辑，检查明显的语法错误或逻辑漏洞。
这一步产出的源代码通常是可编译、可运行的初始版本，而非碎片化片段。
- ④ 自动测试（Automated Testing）闭环验证代码。产出：测试报告（Test Report）+覆盖率分析
**人类角色定义测试场景、验收测试结果。**指定边界条件、异常流程和性能压测标准（例如："测试当库存为 0 时的行为"）。并查看测试报告，判断是否通过验收标准。
**AI 角色生成测试用例、执行测试环境、分析失败原因。**AI 基于需求规格，自动生成单元测试（Unit Test）、集成测试（Integration Test）甚至端到端测试（E2E）。自动搭建临时环境（如启动 Docker 容器），运行测试脚本。如果测试失败，AI 会读取错误日志，分析是代码问题还是测试用例本身的问题。
自动测试就是将"写完代码再想怎么测"转变为"测试驱动开发（TDD）的自动化实现"。
- ⑤ 问题修复（Bug Fixing）当测试失败或运行时出错，自主进入调试闭环。产出：修复补丁（Fix Patch）+更新后的测试报告
人类角色确认修复方案、回归验证。对于复杂 Bug，AI 可能提出 A/B 两种修复思路，人类选择最佳路径。还需要确认修复后没有引入新的副作用。
AI 角色可以定位问题（Root Cause Analysis）、实施修复、补丁生成。堆栈跟踪、日志分析、断点调试（模拟），精准定位错误行。修改代码，并自动重新运行相关测试以确保修复有效。生成 Git Diff 格式的修复补丁，说明修改原因。
此阶段通常会与阶段④形成快速迭代循环，直到所有测试通过（Green Build）。
- ⑥ 迭代优化（Iterative Optimization）追求高质量、可维护的代码。产出：优化版本（Optimized Version）+性能基准对比报告
人类角色提出优化方向、代码评审（Code Review）。需要指出痛点，如"启动速度太慢"、"代码耦合度高"、"内存占用过大"。然后对 AI 重构后的代码进行最终的艺术性和架构性把关。
AI 角色可以对代码机型呢重构（Refactoring）、性能优化、安全加固等。例如提取公共函数、优化设计模式、消除魔术数字，提升可读性。分析算法复杂度，引入缓存机制，优化数据库查询语句。扫描常见漏洞（SQL 注入、XSS），并自动修复。
最终交付的是一个经过打磨的、生产就绪（Production-Ready）的软件模块
1.4 主流工具与平台
| 工具 | 提供商 | 核心特点 | 适用场景 |
|---|---|---|---|
| Claude Code | Anthropic | 终端代理式、高度自主、MCP支持 | 复杂项目、全流程开发 |
| Cursor | Cursor Inc | AI Native IDE、多Agent并行(最多8个) | 日常开发、团队协作 |
| Trae 3.0 | 字节跳动 | 国内优化、中文友好 | 国内开发者 |
| Qoder | 阿里 | 上下文优化、企业级 | 大型企业项目 |
| Devin | Cognition | 全自主AI工程师 | 端到端项目交付 |
| Manus AI | Manus | 任务自主执行 | 自动化工作流 |
| Replit Agent | Replit | 云端一体化 | 快速原型、教育 |
根据开发者实践，Claude Code（任务规划执行） + Cursor（IDE集成） + Claude 4（模型能力） 被称为"黄金三角"。
另外就是 Trae 现在是免费的，可以自主尝试下。
实际上，依照现在 AI 发展的趋势，说不定过几星期就会出现新的黄金搭档，还是需要持续关注发展动态。
1.5 为什么需要 Multi-Agent（多智能体架构）？
单个 AI 智能体在复杂任务面前存在能力边界，Multi-Agent 通过分工协作可以实现突破限制。
| 单 Agent 局限 | Multi-Agent 解决方案 |
|---|---|
| 任务拆解能力有限 | 专业化 Agent 分工 |
| 上下文管理困难 | 分布式记忆系统 |
| 异常处理单一 | 多 Agent 互相校验 |
| 长流程易失控 | 中央协调器管控 |
Multi-Agent 协作模式可以分为三类。
流水线模式，需求 -> 设计 -> 编码 -> 测试 -> 部署。
联邦模式，各 Agent 独立处理子任务。
主从模式，主控 Agent 来分配协调。
常见的角色分工：
| Agent 角色 | 职责 | 技能集 |
|---|---|---|
| 架构师 Agent | 系统设计、技术选型 | 架构模式、最佳实践 |
| 编码 Agent | 代码实现、重构 | 多语言编程、代码规范 |
| 测试 Agent | 测试用例、自动化测试 | 单元测试、集成测试 |
| 审查 Agent | 代码 Review、安全检查 | 安全审计、性能分析 |
| 文档 Agent | 文档生成、API 说明 | 技术写作、Markdown |
1.6 与传统开发模式相比
| 维度 | 传统开发 | Copilot辅助 | Agentic Coding |
|---|---|---|---|
| 核心执行者 | 人类工程师 | 人类+AI辅助 | AI智能体+人类监督 |
| 代码产出比例 | 100%人工 | 70%人工+30%AI | 30%人工+70%AI |
| 开发效率 | 基准线 | 2-3x提升 | 5-10x提升 |
| 人类工作重心 | 编码实现 | 编码+审查 | 需求定义+架构+审查 |
| 学习曲线 | 陡峭 | 中等 | 前期陡峭，后期平缓 |
| 适用项目规模 | 全规模 | 中小项目 | 中大型项目 |
1.7 几个适用场景
1）快速原型开发（Rapid Prototyping）
痛点：传统模式下，从想法到可运行的 MVP（最小可行性产品）需要数天甚至数周，涉及环境搭建、基础架构编写和重复样板代码。
Agent 模式下，用户只需输入自然语言需求（如"创建一个带有用户登录和数据库连接的待办事项 API"），Agent 能自主规划文件结构、安装依赖、编写核心逻辑并启动服务。
效率提升方面，将原本需要数天的工作压缩至24小时内，甚至几小时。它不仅能写代码，还能处理配置错误和环境问题，让开发者专注于业务逻辑验证。
2）遗留系统重构（Legacy System Refactoring）
痛点：老旧代码库（如十年前的 Java 或 PHP 系统）文档缺失、逻辑耦合严重，人工重构风险高、耗时极长，且容易引入新 Bug。
Agent 可以实现全量扫描代码库，自动分析依赖关系，识别"坏味道"（Code Smells），制定重构计划，并分批次执行重构（如提取方法、解耦模块），同时自动运行测试确保行为不变。
自动化处理了最枯燥的分析和初步重构工作，人类专家只需审查关键决策，大幅降低技术债务清理的成本。
3）测试自动化（Test Automation）
痛点：编写单元测试和集成测试往往被视为"脏活累活"，覆盖率低，且随着代码变更，维护测试用例成本高昂。
Agent 能理解业务逻辑，自动生成覆盖边界条件、异常路径的测试用例。当代码修改导致测试失败时，它能自动分析失败原因并修复测试代码或源代码，形成闭环。
这样瞬间生成数百个测试用例，并将测试维护从"手动更新"变为"自动适应"，显著提升软件质量防线。
4）文档生成（Documentation Generation）
痛点：代码更新快，文档更新慢，导致文档与实际代码脱节（"文档腐烂"），新人上手困难。
Agent 实时读取最新代码，自动生成准确的 API 文档、架构流程图说明、函数注释甚至用户手册 。当代码变动时，文档自动同步更新。
这样彻底消除"写文档"的时间成本，确保文档永远与代码版本一致，极大降低沟通和维护成本。
5）Bug 修复（Bug Fixing）
痛点：定位 Bug 需要复现、查看日志、断点调试，修复后还需验证是否引发回归问题，流程繁琐。
通过输入错误日志或复现步骤，Agent 能自动定位代码行，分析根因，提出修复方案，编写修复代码，并运行相关测试验证修复效果。
这样就可以将"发现 - 定位 - 修复 - 验证"的循环从小时级缩短到分钟级，尤其擅长处理常见的空指针、资源泄漏等标准错误。
6）多语言迁移（Multi-language Migration）
痛点：将系统从一种语言迁移到另一种（如 Python 转 Go，Java 转 Rust）通常需要完全重写，风险极大且耗时数月。
Agent 理解源语言和目标语言的语义差异，不仅进行语法转换，还能适配目标语言的惯用写法（Idiomatic Code），并自动处理依赖库的映射。
通过完成大部分机械性的翻译工作，人类只需处理复杂的业务逻辑转换和性能优化，使大规模迁移成为可能。
二、小小的总结
为什么 Agentic Coding 能带来如此高的提升？
| 维度 | 传统 AI (Copilot) | Agentic Coding (Agent) |
|---|---|---|
| 工作模式 | 被动响应：写一行，它最多补一小段 | 主动执行：你给目标，它给结果 |
| 上下文感知 | 仅限当前文件或少量上下文 | 理解整个项目仓库、构建系统和运行环境 |
| 纠错能力 | 提供建议，由人判断和执行 | 自我反思：运行代码 -> 报错 -> 自动修改 -> 再运行，直到成功 |
| 工具使用 | 仅生成文本 | 调用终端、编译器、测试框架、Git 等真实工具 |
Agentic Coding 将开发者从"打字员"和"调试工"的角色中解放出来，转变为"架构师"和"审核者"，从而在上述场景中实现了数量级的效率飞跃。