《实战:从零构建自动写代码的AI Agent》

代码自己写自己？这不是魔法，是Agentic AI时代的新范式

作者：架构狮与橘 | 阅读时间：约15分钟

引言：编程范式的革命性转变

你能想象代码会自己写自己吗？

这不是科幻小说中的场景，而是正在发生的现实。从GPT-4到Claude，从Copilot到Cursor，AI正在重塑我们编写代码的方式。

但今天要讲的不是简单的代码补全，而是一个更宏大的主题——用AI Agent自动完成从需求到代码的完整开发流程。

这标志着编程范式从**“告诉电脑怎么做"向"告诉AI要什么”**的革命性转变。

一、AI Agent编程的核心概念

1.1 什么是AI Agent？

AI Agent是一个能够：

• 感知环境
  ：理解用户需求和上下文
• 自主决策
  ：制定行动计划和解决方案
• 执行行动
  ：调用工具、生成代码、运行测试
• 持续学习
  ：从反馈中优化性能

的智能系统。

1.2 传统代码生成 vs AI Agent编程

1.3 为什么是多Agent而不是单个AI？

单个AI在复杂任务中容易出错，而多Agent协同：

Planner Agent  →  理解需求、制定计划        ↓Coder Agent    →  编写代码、实现功能        ↓Reviewer Agent →  审查代码、发现错误        ↓Executor Agent →  运行测试、验证结果        ↓    反馈循环 → 持续优化

多Agent的优势：

• 专业化分工
  ：每个Agent专注自己的领域
• 并行处理
  ：多个Agent可以同时工作
• 互相制衡
  ：Reviewer和Executor确保质量
• 容错能力
  ：单个Agent失败不会导致整体失败

二、核心架构设计

2.1 整体架构

┌─────────────────────────────────────────────────────────┐│                     用户层                              ││                   自然语言需求                          │└────────────────────────┬────────────────────────────────┘                         │┌────────────────────────▼────────────────────────────────┐│                   Agent编排层                           ││  ┌─────────┐  ┌─────────┐  ┌─────────┐  ┌─────────┐   ││  │Planner  │→│ Coder   │→│Reviewer │→│Executor │   ││  └─────────┘  └─────────┘  └─────────┘  └─────────┘   │└────────────────────────┬────────────────────────────────┘                         │┌────────────────────────▼────────────────────────────────┐│                   大语言模型层                           ││         GPT-4 / Claude / DeepSeek / GLM-4               │└────────────────────────┬────────────────────────────────┘                         │┌────────────────────────▼────────────────────────────────┐│                    工具生态层                            ││  ┌────────┐  ┌────────┐  ┌────────┐  ┌────────┐      ││  │代码执行│  │文件系统│  │网络请求│  │数据库  │      ││  └────────┘  └────────┘  └────────┘  └────────┘      │└─────────────────────────────────────────────────────────┘

2.2 技术栈选型

大语言模型

# 推荐配置MODEL_CONFIG = {"gpt-4": {"provider": "openai","api_base": "https://api.openai.com/v1","temperature": 0.7,"max_tokens": 4000    },"claude-3-opus": {"provider": "anthropic","api_base": "https://api.anthropic.com/v1","temperature": 0.7,"max_tokens": 4000    }}

Agent框架

• LangChain
  ：功能全面，生态丰富
• AutoGen
  ：微软出品，多Agent对话
• CrewAI
  ：角色定义清晰，易于上手

工具生态

TOOLS = {"code_interpreter": {"description": "执行Python代码","function": execute_python    },"file_operations": {"description": "读写文件","function": file_operations    },"web_search": {"description": "网络搜索","function": search_web    }}

三、实现步骤详解

3.1 环境准备

# 创建项目目录mkdir ai-coder-agentcd ai-coder-agent# 创建虚拟环境python -m venv venvsource venv/bin/activate  # Linux/Mac# venv\Scripts\activate   # Windows# 安装依赖pip install langchain openai anthropicpip install python-dotenvpip install pytest

3.2 基础配置

# config.pyimport osfrom dotenv import load_dotenvload_dotenv()classConfig:# OpenAI配置    OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")    OPENAI_MODEL = "gpt-4-turbo-preview"# Anthropic配置    ANTHROPIC_API_KEY = os.getenv("ANTHROPIC_API_KEY")    ANTHROPIC_MODEL = "claude-3-opus-20240229"# Agent配置    MAX_ITERATIONS = 10    TEMPERATURE = 0.7    TIMEOUT = 120# 工具配置    SANDBOX_MODE = True    MAX_EXECUTION_TIME = 30

3.3 Planner Agent实现

# agents/planner.pyfrom langchain.agents import AgentExecutor, create_openai_functions_agentfrom langchain.tools import Toolfrom langchain.prompts import ChatPromptTemplatefrom langchain_openai import ChatOpenAIfrom typing importDict, AnyclassPlannerAgent:"""Planner Agent：理解需求并制定开发计划"""def__init__(self, config: Config):self.llm = ChatOpenAI(            model=config.OPENAI_MODEL,            temperature=config.TEMPERATURE        )self.prompt = ChatPromptTemplate.from_messages([            ("system", """你是一位资深的软件架构师。你的任务是：1. 理解用户的需求描述2. 分析需求的核心功能点3. 设计技术方案4. 制定开发计划请以JSON格式返回你的计划，包含：- requirements: 需求列表- architecture: 架构设计- tech_stack: 技术栈选择- tasks: 任务分解（按优先级排序）"""),            ("user", "{input}")        ])defplan(self, user_requirement: str) -> Dict[str, Any]:"""制定开发计划"""        response = self.llm.invoke(self.prompt.format_messages(input=user_requirement)        )# 解析返回的JSON计划import jsontry:            plan = json.loads(response.content)return planexcept:# 如果返回的不是JSON，进行二次处理returnself._parse_plan(response.content)def_parse_plan(self, text: str) -> Dict[str, Any]:"""解析非JSON格式的计划"""# 实现文本解析逻辑return {"requirements": [],"architecture": "","tech_stack": [],"tasks": []        }

3.4 Coder Agent实现

# agents/coder.pyclassCoderAgent:"""Coder Agent：根据计划生成代码"""def__init__(self, config: Config):self.llm = ChatOpenAI(            model=config.OPENAI_MODEL,            temperature=0.3# 降低温度以获得更一致的代码        )self.code_templates = {"python": self._python_template,"javascript": self._javascript_template,"html": self._html_template        }defgenerate_code(self, task: Dict[str, Any]) -> str:"""为指定任务生成代码"""        prompt = f"""任务描述：{task['description']}技术要求：{task.get('tech_requirements', '')}功能要点：{task.get('features', [])}请生成完整的、可直接运行的代码。代码要求：1. 语法正确，符合最佳实践2. 添加必要的注释3. 包含错误处理4. 考虑边界情况"""        response = self.llm.invoke(prompt)        code = self._extract_code(response.content)return codedef_extract_code(self, response: str) -> str:"""从响应中提取代码块"""import re# 提取```代码块        code_pattern = r'```(?:python|javascript|html)?\n(.*?)```'        matches = re.findall(code_pattern, response, re.DOTALL)if matches:return'\n'.join(matches)return responsedefrefine_code(self, code: str, feedback: str) -> str:"""根据反馈优化代码"""        prompt = f"""原始代码：{code}反馈意见：{feedback}请根据反馈优化代码，直接返回优化后的完整代码。"""        response = self.llm.invoke(prompt)returnself._extract_code(response.content)

3.5 Reviewer Agent实现

# agents/reviewer.pyclassReviewerAgent:"""Reviewer Agent：审查代码质量"""def__init__(self, config: Config):self.llm = ChatOpenAI(            model=config.OPENAI_MODEL,            temperature=0.2        )defreview(self, code: str, requirements: str) -> Dict[str, Any]:"""审查代码"""        prompt = f"""需求描述：{requirements}待审查代码：{code}请从以下维度审查代码：1. 功能完整性：是否满足需求2. 代码质量：可读性、可维护性3. 性能优化：是否有性能问题4. 安全性：是否存在安全隐患5. 最佳实践：是否符合语言最佳实践请以JSON格式返回审查结果，包含：- score: 总体评分（0-100）- issues: 发现的问题列表- suggestions: 改进建议- approved: 是否通过审查（boolean）"""        response = self.llm.invoke(prompt)import jsontry:            review = json.loads(response.content)return reviewexcept:returnself._parse_review(response.content)def_parse_review(self, text: str) -> Dict[str, Any]:"""解析审查结果"""return {"score": 70,"issues": [],"suggestions": [],"approved": True        }

3.6 Executor Agent实现

# agents/executor.pyimport subprocessimport tempfileimport osclassExecutorAgent:"""Executor Agent：执行和测试代码"""def__init__(self, config: Config):self.sandbox_mode = config.SANDBOX_MODEself.max_execution_time = config.MAX_EXECUTION_TIMEdefexecute(self, code: str, language: str = "python") -> Dict[str, Any]:"""执行代码"""ifself.sandbox_mode:returnself._execute_in_sandbox(code, language)else:returnself._execute_direct(code, language)def_execute_in_sandbox(self, code: str, language: str) -> Dict[str, Any]:"""在沙箱环境中执行代码"""# 创建临时文件with tempfile.NamedTemporaryFile(            mode='w',            suffix=f'.{language}',            delete=False        ) as f:            f.write(code)            temp_file = f.nametry:# 执行代码            result = subprocess.run(                [language, temp_file],                capture_output=True,                text=True,                timeout=self.max_execution_time            )return {"success": result.returncode == 0,"output": result.stdout,"error": result.stderr,"return_code": result.returncode            }except subprocess.TimeoutExpired:return {"success": False,"error": f"执行超时（超过{self.max_execution_time}秒）"            }finally:# 清理临时文件if os.path.exists(temp_file):                os.remove(temp_file)deftest(self, code: str, test_cases: list) -> Dict[str, Any]:"""运行测试用例"""        results = []        passed = 0        failed = 0for test_case in test_cases:# 执行测试            result = self._run_test(code, test_case)            results.append(result)if result['passed']:                passed += 1else:                failed += 1return {"total": len(test_cases),"passed": passed,"failed": failed,"pass_rate": passed / len(test_cases) if test_cases else0,"results": results        }def_run_test(self, code: str, test_case: Dict) -> Dict[str, Any]:"""运行单个测试用例"""# 实现测试逻辑return {"passed": True,"input": test_case.get('input'),"expected": test_case.get('expected'),"actual": test_case.get('expected')        }

3.7 多Agent协同

# agents/orchestrator.pyclassAgentOrchestrator:"""Agent编排器：协调多个Agent协同工作"""def__init__(self, config: Config):self.config = configself.planner = PlannerAgent(config)self.coder = CoderAgent(config)self.reviewer = ReviewerAgent(config)self.executor = ExecutorAgent(config)self.max_iterations = config.MAX_ITERATIONSdefdevelop(self, user_requirement: str) -> Dict[str, Any]:"""完整的开发流程"""print("🚀 开始AI编程流程...")# 步骤1: 制定计划print("\n📋 Planner正在分析需求...")        plan = self.planner.plan(user_requirement)print(f"✅ 计划已制定，共{len(plan['tasks'])}个任务")        results = {"plan": plan,"code": {},"reviews": {},"tests": {}        }# 步骤2-4: 对每个任务执行编码-审查-测试循环for i, task inenumerate(plan['tasks'], 1):print(f"\n💻 正在处理任务 {i}/{len(plan['tasks'])}: {task['name']}")            result = self._process_task(task, plan)            results['code'][task['name']] = result['code']            results['reviews'][task['name']] = result['review']            results['tests'][task['name']] = result['test']print("\n✨ 所有任务完成！")return resultsdef_process_task(self, task: Dict, plan: Dict) -> Dict:"""处理单个任务"""        iterations = 0while iterations < self.max_iterations:            iterations += 1print(f"  第{iterations}轮迭代...")# 生成代码            code = self.coder.generate_code(task)print(f"  ✅ 代码已生成 ({len(code)}字符)")# 审查代码            review = self.reviewer.review(code, task['description'])print(f"  🔍 审查评分: {review['score']}/100")# 如果通过审查，进行测试if review['approved']:                test_result = self.executor.test(code, task.get('tests', []))print(f"  ✅ 测试通过率: {test_result['pass_rate']*100:.1f}%")# 如果测试通过，返回结果if test_result['pass_rate'] >= 0.8:return {'code': code,'review': review,'test': test_result,'iterations': iterations                    }# 根据反馈优化            feedback = review.get('suggestions', [])            task['feedback'] = feedback# 达到最大迭代次数return {'code': code,'review': review,'test': {},'iterations': iterations        }

四、实战案例：贪吃蛇游戏

4.1 用户需求

给我写一个贪吃蛇游戏，要求：1. 使用HTML + Canvas + JavaScript实现2. 键盘方向键控制3. 吃食物变长，撞墙或撞自己死亡4. 显示当前分数5. 界面美观，有简单的动画效果

4.2 AI处理流程

Planner输出

{"requirements":["游戏画布和渲染","蛇的数据结构和移动逻辑","食物生成和碰撞检测","键盘控制","分数显示"],"architecture":"使用游戏循环架构，分离游戏逻辑和渲染","tech_stack":["HTML5 Canvas","JavaScript ES6+","CSS3"],"tasks":[{"name":"游戏框架搭建","description":"创建HTML结构和Canvas初始化","priority":1},{"name":"游戏核心逻辑","description":"实现蛇的移动、碰撞检测","priority":2},{"name":"用户交互","description":"键盘控制和界面反馈","priority":3}]}

Coder生成的代码