自主编码智能体：终端里的 AI 工程师

背景

早期的“AI 写代码”主要是编辑器里的补全：你打字，它给下一行建议。2025 年起，范式明显变了——出现了能在终端里自主工作的编码智能体：读整个仓库、改多个文件、执行命令、跑测试，然后看报错再改，循环直到任务完成。

代表工具有 Claude Code、OpenAI 的 Codex CLI、Aider、Cursor 的 Agent 模式等。它们把“写代码”这件事，从“我敲它补”变成了“我提需求，它交付”。

核心循环

一个编码 Agent 通常跑这样一个闭环：

• 1 感知上下文：用 grep、读文件、看 git diff 理解项目结构与现状。
• 2 规划：把任务拆成步骤，决定先动哪几个文件。
• 3 执行：直接编辑文件、调用工具（包括 shell）。
• 4 验证：跑测试 / 构建，把错误作为新上下文反馈回去。
• 5 迭代：根据结果自我修正，直到任务达标或上交给你确认。

示例

给 Agent 一个明确任务，它会自己在仓库里闭环。一个典型的命令行调用：

# 用一句话派活，Agent 自行读码、改文件、跑测试
claude -p "为 utils.py 的 parse_date 函数补充单元测试，\n运行 pytest 确保全部通过后再结束"

# 配套的项目说明书，让 Agent 遵守约定（cursor 用 .cursorrules，
# claude 用 CLAUDE.md，通用趋势是 AGENTS.md）
# AGENTS.md
# - 使用 pytest，测试文件命名为 test_*.py
# - 中文注释，变量名用小写蛇形
# - 改动前先跑 lint

这类工具普遍带“权限/审批”机制：危险操作（如删除、推送）会停下来等你确认。把约定写进 AGENTS.md 之类的项目说明书，能显著降低 Agent “跑偏”的概率。

边界与注意

自主编码很强，但也有坑：任务越大越容易“跑偏”或无限循环；token 成本随迭代次数上升；它不替你做架构决策。我的习惯是：给它清晰、小步的需求 + 一份项目约定，并在 git 分支上工作，随时可以回退。

总结一句：工作流从“我写代码”变成了“我写规格、做评审”。人的价值上移到了需求与验收两端。