我把工位上的“AI牛马”养成了：一个技术人的 AiPy 实战手记

最近半年，AI 编码助手从"玩具"变成了"生产力"。但真正的痛点是：通用助手不懂你的业务上下文，每次都要重复解释项目结构、技术栈、编码规范。 与其忍受这种低效，我决定用 AiPy 在工位上养一只专属的"AI牛马"------能自动写单测、生成接口文档、甚至做 Code Review 的智能体。

效果先摆出来：原本每周花 6 小时写单元测试，现在压缩到 40 分钟；接口文档从"能拖就拖"变成"代码即文档"。更重要的是，这只"牛马"完全运行在本地，代码不出内网。

为什么是 AiPy？

市面上 AI 编码工具不少，但大多停留在"你问我答"。AiPy 的差异在于：它是一个 Python 原生的 AI 代理框架，支持工具调用、记忆管理和本地知识库，可以把 LLM 封装成可编排的函数。

简单说：Copilot 是副驾驶，AiPy 是帮你开车的司机。你告诉它目的地（需求），它自己规划路线（调用工具）并执行。

技术选型对比：

· GitHub Copilot ：补全强，但无法自主执行多步任务，不能访问本地项目知识库。

· LangChain ：灵活但重，配置链路长，对普通业务开发不够友好。

· AiPy：开箱即用的 Agent 抽象，内置工具注册、记忆、RAG，代码量少。

实战：三步养成"AI牛马"

第一步：定义工具函数

"牛马"要干活，先给它工具。我注册了三个核心函数：读取项目文件、执行 pytest、写入 Markdown 文档。

python 复制代码

from aipy import Agent, tool
import subprocess

@tool
def read_file(path: str) -> str:
    """读取项目中的源码文件"""
    with open(path, 'r', encoding='utf-8') as f:
        return f.read()

@tool
def run_pytest(target: str) -> str:
    """运行 pytest 并返回结果"""
    result = subprocess.run(
        ['pytest', target, '-v'],
        capture_output=True, text=True, timeout=60
    )
    return result.stdout[-2000:]

@tool
def write_doc(content: str, filename: str) -> str:
    """将生成的文档写入指定文件"""
    with open(filename, 'w', encoding='utf-8') as f:
        f.write(content)
    return f'文档已写入 {filename}'

第二步：注入项目知识库

"牛马"不能瞎干，得懂项目规范。我用 AiPy 的 RAG 能力，把项目的 README.md、CONTRIBUTING.md 和核心模块的 __init__.py 索引进去。

ini 复制代码

from aipy.knowledge import KnowledgeBase

kb = KnowledgeBase()
kb.add_file('README.md')
kb.add_file('CONTRIBUTING.md')
kb.add_directory('src/core', glob='*.py')

agent = Agent(
    name='工位牛马',
    tools=[read_file, run_pytest, write_doc],
    knowledge=kb,
    model='gpt-4o-mini'
)

第三步：编排任务工作流

最核心的一步：让"牛马"自动完成"读源码 → 写单测 → 跑测试 → 生成文档"的闭环。

ini 复制代码

task = """
你是一个资深 Python 测试工程师。请完成以下任务：
1. 读取 src/service/order.py 的源码；
2. 为每个公开函数生成 pytest 单测，覆盖正常和边界情况；
3. 将测试代码写入 tests/test_order.py；
4. 运行 pytest tests/test_order.py 并确认全部通过；
5. 根据源码和测试结果，生成一份 Markdown 接口文档到 docs/order.md。
"""

result = agent.run(task)
print(result)

实际运行时，"牛马"会自主调用 read_file 读取源码，调用 write_doc 写测试文件，再调用 run_pytest 执行验证。如果测试失败，它会根据报错信息自动修正------这正是 Agent 相比普通 Chatbot 的质变。

性能对比：数据不说谎

我记录了连续三周的开发数据，对比引入 AiPy 前后的效率变化：

· 单元测试编写时间 ：从平均 6.2 小时/周 → 0.7 小时/周，下降 88.7% 。

· 接口文档完整度 ：从 43% → 96%，提升 53 个百分点 。

· Code Review 发现问题数 ：从 12 个/周 → 6 个/周，减少 50% （基础问题被"牛马"提前拦截）。

· 本地模型推理延迟：使用 Ollama + Qwen2.5-7B，平均响应 1.8s，完全满足交互需求。

最关键的是：代码从未离开本地环境。对于金融、医疗等强合规团队，这是刚需。

踩坑记录与优化建议

过程中也踩了不少坑，分享三个最有价值的：

1. 工具函数要幂等。 最初 run_pytest 没有超时控制，一次死循环直接把 Agent 挂死。加上 timeout=60 后稳定运行。

2. 知识库要精简。 一开始把整个项目索引进去，检索准确率反而下降。后来只保留核心模块和规范文档，命中率从 61% 提升到 89%。

3. 用本地小模型做初筛。 对于"生成单测"这类任务，7B 模型足够；只有复杂重构才切到 GPT-4o。成本降低 70%。

总结与展望

AiPy 让我在工位上真正拥有了一只"AI牛马"：它不是聊天框里的玩具，而是能读写文件、执行命令、自我纠错的数字同事。核心价值有三点：

· 私有化 ：代码和数据不出内网，合规无忧。

· 可编排 ：把重复性工程任务封装成 Agent 工作流，一次配置长期受益。

· 低成本：本地小模型 + 云端大模型混合调度，效果与成本兼得。