本文整理自伊洪老师在 OceanBase 嘉年华的演讲《我和开源，我和 AI Coding》。我对分享内容进行了梳理，并结合 nanocode 的开源示例进行说明，特此一并致谢。
你将收获什么
1. Function Call is All You Need
当前大模型的本质是预测下一个 token，本身无法执行代码，只能生成代码文本。OpenAI 在 2023 年先后推出 API 调用、结构化输出和 function call；Anthropic 也推出了 tools。它们的共同点是让大模型可以调用外部工具，从而实现代码执行等能力。
从 2024 年开始，智能体（尤其是代码智能体）快速发展，出现了 MCP、Subagent、Skills 等概念与标准。但无论是 MCP 还是 Skills，本质仍是 function call——让大模型调用外部工具，以获得可执行能力。
为了让大模型更好地预测下一个 token，需要更好的上下文(context）。只有构建更好的上下文，才能更有效地使用 function call。
因此，构建智能体的核心任务，是围绕大模型与工具构建高质量的上下文工程，从而提升 function call 的效果。只要定义好大模型与工具，并构建合适的上下文环境，就能实现一个智能体，并让它实现自举、持续完善与迭代。
2. 最小智能体的实现
nanocode 是一个最小的 Coding Agent 实现，只有一个文件nanocode.py，代码非常简洁易读。它的核心能力是让大模型调用一系列工具完成代码编写与执行。
原仓库：github.com/1rgs/nanocode
为了验证 Agent 的自举能力，我删除了部分工具，只保留了bash工具，进一步精简代码：github.com/kirineko/nanocode/tree/1.0，精简后约 190 行 Python 代码
nanocode 是一个标准的 function call 实现（关于 function call，可参考月之暗面官方文档：platform.moonshot.cn/docs/api/tool-use），其代码大致包含模型定义、工具实现、工具上下文构建、大模型 API 调用以及Agent Loop几个部分。
2.1 模型定义
根据 API Key 的不同，nanocode 支持 OpenRouter 和 Anthropic 两个模型提供商，默认使用 Anthropic 的 Claude Opus 4.5 模型。
OPENROUTER_KEY = os.environ.get("OPENROUTER_API_KEY")API_URL = ( "https://openrouter.ai/api/v1/messages" if OPENROUTER_KEY else"https://api.anthropic.com/v1/messages")MODEL = os.environ.get( "MODEL","anthropic/claude-opus-4.5"if OPENROUTER_KEY else"claude-opus-4-5")
2.2 工具实现
nanocode 只需要实现bash工具，用于执行 shell 命令。在该工具基础上，Agent 可以进一步实现文件读写等功能，完成自举与进化。
bash 工具的实现逻辑是：调用subprocess.Popen执行 shell 命令，实时打印输出结果，最后返回完整输出。bash 的返回结果作为工具调用输出，被 Agent 用作后续上下文。
def bash(args): proc = subprocess.Popen( args["cmd"], shell=True, stdout=subprocess.PIPE, stderr=subprocess.STDOUT, text=True, ) output_lines = [] try: while True: line = proc.stdout.readline() if not line and proc.poll() is not None: break if line: print(f" {DIM}│ {line.rstrip()}{RESET}", flush=True) output_lines.append(line) proc.wait(timeout=30) except subprocess.TimeoutExpired: proc.kill() output_lines.append("\n(timed out after 30s)") return "".join(output_lines).strip() or "(empty)"
2.3 工具上下文构建
工具上下文构建是 nanocode 上下文工程的核心部分，主要是将工具信息（名称、描述、输入参数）转换为大模型可理解的 JSON Schema 格式，以便大模型正确调用工具。
TOOLS = { "bash": ( "Run shell command", {"cmd": "string"}, bash, ),}def run_tool(name, args): try: return TOOLS[name][2](args) except Exception as err: return f"error: {err}"def make_schema(): result = [] for name, (description, params, _fn) in TOOLS.items(): properties = {} required = [] for param_name, param_type in params.items(): is_optional = param_type.endswith("?") base_type = param_type.rstrip("?") properties[param_name] = { "type": "integer" if base_type == "number" else base_type } if not is_optional: required.append(param_name) result.append( { "name": name, "description": description, "input_schema": { "type": "object", "properties": properties, "required": required, }, } ) return result
2.4 大模型 API 调用
大模型 API 调用是一个标准 HTTP 请求：将消息与工具信息打包为 JSON，发送给大模型 API，再解析返回结果。
def call_api(messages, system_prompt): request = urllib.request.Request( API_URL, data=json.dumps( { "model": MODEL, "max_tokens": 8192, "system": system_prompt, "messages": messages, "tools": make_schema(), } ).encode(), headers={ "Content-Type": "application/json", "anthropic-version": "2023-06-01", **( {"Authorization": f"Bearer {OPENROUTER_KEY}"} if OPENROUTER_KEY else {"x-api-key": os.environ.get("ANTHROPIC_API_KEY", "")} ), }, ) response = urllib.request.urlopen(request) return json.loads(response.read())
2.5 Agent Loop
一次典型的 Agent Loop：不断调用大模型 API，解析结果，执行工具调用，并把工具结果回灌到上下文中继续调用，直到没有工具调用为止。
while True: response = call_api(messages, system_prompt) content_blocks = response.get("content", []) tool_results = [] for block in content_blocks: if block["type"] == "text": print(f"\n{CYAN}⏺{RESET}{render_markdown(block['text'])}") if block["type"] == "tool_use": tool_name = block["name"] tool_args = block["input"] arg_preview = str(list(tool_args.values())[0])[:50] print( f"\n{GREEN}⏺ {tool_name.capitalize()}{RESET}({DIM}{arg_preview}{RESET})" ) result = run_tool(tool_name, tool_args) result_lines = result.split("\n") preview = result_lines[0][:60] if len(result_lines) > 1: preview += f" ... +{len(result_lines) - 1} lines" elif len(result_lines[0]) > 60: preview += "..." print(f" {DIM}⎿ {preview}{RESET}") tool_results.append( { "type": "tool_result", "tool_use_id": block["id"], "content": result, } ) messages.append({"role": "assistant", "content": content_blocks}) if not tool_results: break messages.append({"role": "user", "content": tool_results})
3. 利用最小智能体实现自举与进化
只要构建好模型、工具、上下文与 Agent Loop 的基本框架，就拥有了一个最小智能体。它可以通过bash工具执行 shell 命令，从而实现文件读写、功能扩展与自举。
以下过程通过运行 nanocode 自身，先后完成了：文件读写工具添加、Node.js 版本实现、Web Search 工具添加、GitHub CLI 工具添加，展示了智能体的自举与演进。以下为每次修改的提示词与 Agent 运行结果。
1. 第一次修改提示词
我在做一个最小的Coding Agent nanocode.py,现在请帮我添加文件操作工具，结果如下：
2. 第二次修改提示词
把nanocode.py写成一个js版本：nanocode.js，结果如下：
3. 第三次修改提示词
（运行nanocode.js）给nanocode.py加上web search tool，结果如下：
4. 第四次修改提示词
（运行nanocode.py）帮我为nanocode.py添加一个gh tools,可以执行github cli命令，结果如下：
4. 实现效果
通过与 Agent 对话，可以看到它逐步添加了文件读写、Node.js 版本、Web Search 和 GitHub CLI 等功能，能力不断进化。
首先看 Web Search 工具效果，如图所示。当用户询问“最新的 Python 3.14 有什么新特性”时，Agent 调用了web_search工具，返回了 DuckDuckGo 搜索结果并提取相关信息。
再看 GitHub CLI 工具效果，如图所示。当用户询问“帮我列出当前仓库的所有 issue”时，Agent 调用了gh工具，执行了gh issue list并返回 issue 列表。当用户要求添加一个打招呼的 issue 时，Agent 调用gh issue create成功创建了新的 issue。
5. 总结
本文展示了如何用一个最小的 Coding Agent 实现自举与进化。核心在于构建好大模型、工具、上下文与 Agent Loop 框架，使智能体能够调用工具执行代码，从而实现自我完善与功能扩展。随着更多工具与更复杂上下文的集成，智能体将能承担更复杂的任务，推动Coding Agent的自我进化。
一句话总结：足够好的模型、工具与上下文工程，是构建强大智能体的关键。
Github项目代码：kirineko/nanocode。通过不同版本的 tag 可以查看每次添加工具后的代码变化。
10个月宝宝每天需要喝多少奶粉？
