Skip to content

从补全到 Agent:AI 辅助开发的三个阶段 ​

WARNING

🧪 Beta公测版本提示:教程主体已完成,正在优化细节,欢迎大家提Issue反馈问题或建议。

本章讲清楚一件事:过去几年「用 AI 写代码」到底发生了什么质变。判断一个工具处于哪个阶段,看的不是模型参数量,而是人输入的是什么——代码片段、问题描述,还是一句意图。下一章 Agent 时代的实践 讲这个新阶段里的工程方法。


一、阶段一:补全——把模型当更聪明的锯子 ​

2021 年前后,GitHub Copilot 把代码补全从「按前缀查字典」升级成「按语义续写」。输入法式的 Ctrl+Space 变成了灰色幽灵文本:你写下一个函数签名和注释,它续出整个函数体。

这个阶段的本质特征:

  • 输入单位是「光标前的代码」。模型能看到当前文件和少许打开的标签页,你看不到的项目全局它也看不到。
  • 人负责想,模型负责打字。补全建议对不对,扫一眼就知道;不对就无视,心理成本几乎为零。
  • 产出的责任完全在人。模型只是「更聪明的锯子」,锯子不参与决策。

补全阶段的收益曲线很有意思:样板代码(配置、测试脚手架、格式转换)收益最大,而恰恰是这类代码过去最消耗工程师的耐心。但它有一个天然上限——你仍然要一行一行地知道自己在写什么,思考速度没有变,只是打字速度变成了无穷大。


二、阶段二:对话式开发——上下文开始值钱 ​

ChatGPT 出现之后,开发工作流里多了一个常驻对话窗口。这个阶段的输入单位从「光标前的代码」变成了「一段问题描述」:

  • 「这个正则为什么匹配不上?」
  • 「把这段回调风格的重构成 async/await。」
  • 「帮我解释这个报错栈。」

问答、解释、重构、翻译——这些任务的共同点是人把材料搬给模型:复制代码、粘贴报错、描述上下文。于是出现了一个此前不存在的工作:判断什么该放进对话窗口。上下文窗口成了稀缺资源,窗口里的每一个 token 都在「花费注意力」——放少了模型瞎猜,放多了关键信息被稀释(长上下文中间部分容易被忽略,即所谓 lost in the middle 现象)。

这个阶段还产生了一个副产品:复制粘贴经济学。代码从聊天窗口到编辑器要走一段「无人区」——没有类型检查、没有运行、没有人真正读过每一行。对话式开发提升了单次产出的速度,却把集成和验证的压力全部堆回给人。

补充:为什么「上下文」成了关键词(点击展开)

语言模型在生成每个 token 时能利用的全部信息,就是它的上下文窗口。这意味着:模型不知道的,等于不存在。你的项目约定、不能碰的遗留代码、上周踩过的坑——不在上下文里,模型就一无所知。所以对话式开发的高手和新手,差距往往不在会不会问问题,而在喂给模型的材料组织得好不好:贴哪几个文件、报错给到哪一层、要不要先讲清约束。这个手艺后来有了正式的名字——上下文工程(第四节)。


三、阶段三:Agent——从「问一次」到「跑一圈」 ​

第三个阶段的产品形态是 Agent:命令行里的 Claude Code / Codex,IDE 里的 agent 模式。它们和对话式开发的区别只有一个,但这个区别是质变:Agent 能自己动手改环境,并且循环多次。

一个开发 Agent 的典型工作循环:

图解说明:Agent 的核心是「计划—行动—观察—修正」闭环。它和人的调试循环结构相同,区别在于它迭代一轮的成本是秒级、不知疲倦、且不会因为连续失败而心态爆炸。但「观察」依赖的信号(测试、编译、运行输出)质量,直接决定这个循环是在收敛还是在原地打转——这正是下一章测试即契约的伏笔。

三个阶段放在一起看:

阶段一:补全阶段二:对话阶段三:Agent
人的输入光标前的代码一段问题描述一句意图 + 验收标准
模型的视野当前文件人搬来的材料整个仓库 + 命令执行结果
迭代轮数单次单次(多轮问答)自主多轮循环
集成验证实时(人看着写)人手动搬运Agent 自己跑,人最后审查
失败的代价一条灰字被无视粘贴进来的代码有 bug一个分支/一次重构需要回滚
类比锯子顾问实习生(带工具权限的)

注意失败代价那一行:能力越强的工具,信任的粒度越粗、失败的代价越大。补全错一行,你当场就看见;Agent 错一个方案,可能几十分钟后你才发现方向就错了。所以 Agent 时代的人机协作,重心从「怎么写」移到「怎么定任务、怎么验收」——这是下一章的主题。


四、上下文工程:新的手艺 ​

Agent 能自己读仓库之后,「喂材料」这件事并没有消失,而是改在了仓库里做。上下文工程(context engineering)指的就是:有意识地设计 Agent 工作时能看到什么。

几个已经固定下来的做法:

  1. 仓库级说明书。 在仓库根部放一个 AGENTS.md / CLAUDE.md,写清架构约定、命令、坑——本仓库就有这份 AGENTS.md,它对人类协作者和 Agent 一视同仁。它相当于「新同事入职第一天的交接文档」,只不过这位新同事每天入职一次、且过目不忘。
  2. 让 Agent 自己检索,而不是替它读。 仓库结构清晰、命名自解释、有可用的搜索和构建命令,Agent 的自主循环才能转起来;反过来,一个需要口口相传才能理解的仓库,对 Agent 是黑洞。
  3. 把「必须永远为真」的东西机器可读化。 类型、lint 规则、测试——这些既是文档也是验收器,Agent 循环里的「观察」信号全靠它们。

一个正在成形的判断:对 Agent 友好和对新人友好,高度重叠。上下文工程不是一门全新手艺,而是「可维护性」在新时代的别名。


五、哪些事不该交给 Agent ​

工具越强,划界越重要。至少这几类任务,当前(模型还会进步,但原理性约束仍在)不适合放手:

  • 没有验收信号的任务。 「让代码更优雅」这种没有测试、没有指标的任务,Agent 循环里 达标? 那一栏是空的,它只能靠自我感觉——而模型的自我感觉不可靠。
  • 不可逆的破坏性操作。 删库、改线上配置、发邮件给客户。Agent 应该只有沙箱内和版本控制内的权限;出错了 git reset 能救回来的,才适合交给它。
  • 需要为结果负法律责任与安全责任的决策。 Agent 可以起草,签署的一步必须是人。
  • 你完全不懂的领域的关键改动。 你无法验收的东西,就不该让任何一方替你生成——这条规则对人和对 Agent 一样成立。

读完本章,进入 Agent 时代的软件工程实践:当生产方式变成「定义 + 验收」,软件工程的各个环节怎么重组。

参考 ​

  1. Chen, M., et al. (2021). Evaluating Large Language Models Trained on Code (Codex). arXiv:2107.03374.
  2. Peng, S., et al. (2023). The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv:2302.06590.
  3. Liu, N. F., et al. (2023). Lost in the Middle: How Language Models Use Long Contexts. TACL.
  4. Anthropic (2025). Building Effective Agents. 工程博客。