别再教AI了，让它自己看项目

从代码补全到自主编码的范式转变

阅读时长约8分钟 | 观点型 | 智能编码进化论 01/10

---

导读

如果你还在费心研究怎么写好提示词，这篇文章可能会让你意识到——你一直在解决错误的问题。

同样修一个跨五个文件的Bug，Coding Agent比传统补全工具快的不止一点点。原因不是AI更聪明，而是它"看得见"整个项目。过去两年，AI编程工具发生了根本性的变化：不是更聪明的补全，而是从"补全"进化到了"自主执行"。这就是Coding Agent。

这篇文章，我们聊聊这个变化到底意味着什么。

一、补全 vs Agent：两种完全不同的AI

先说结论：Copilot和Coding Agent不是程度的差异，是物种的差异。

Copilot做的事情，本质上是一次单向补全。它看到你当前光标所在的那行代码，预测你可能要写的下一行，然后给你一个灰色的建议。你按一下Tab，它的工作就结束了。

整个过程是这样的：看到当前文件，补全下一段代码，结束。单次交互，看完就忘。 下次你打开同一个项目，它对你之前做过的事情一无所知。

Coding Agent做的事情，完全不同。它看到的是整个项目。

你说"修复登录页面的验证Bug"，它不会等你输入更多细节。它会自己去搜索项目里的登录相关文件（获取上下文），读取代码理解逻辑（获取上下文），找到Bug所在，修改代码（执行操作），运行测试，验证修复结果（验证结果）。如果测试没过，它会重新读错误信息，再改一遍，直到搞定。

这是一个闭环循环，而不是一次性输出。

This is different from inline code assistants that only see the current file. —— Claude Code 官方文档

打个比方。Copilot像是输入法里的自动补全——你打一个"今"，它猜你要打"天"，你选了就完事。Coding Agent像是你能独立干活的实习生——你交代一个任务，他去查资料、写方案、执行、验证，中间遇到问题自己想办法解决。

Claude Code的官方定义说得很清楚：agentic harness——将语言模型转变为有能力的编码Agent。注意那个词，"harness"（驾驭装置）。模型本身不具备编Agent的能力，需要一个框架来提供工具、上下文管理和执行环境，让模型从"只会说话"变成"能干活"。

当然，不只Claude Code在走这条路。Cursor的Agent Mode、Windsurf的Cascade、OpenAI的Codex，都在探索Agent模式。大家的核心思路一致：让AI从被动等待输入，变成主动在项目中行动。架构细节不同，生态开放性各有侧重，但方向已经没有人回头了。

二、Agent循环：理解、执行、验证

既然Agent不是单次补全，那它的工作方式是什么？

答案是一个持续循环，包含三个阶段：获取上下文（Gather context）、执行操作（Take action）、验证结果（Verify results）。

听起来很简单，但真正让Agent强大的，恰恰是这个循环的自适应深度。

第一阶段：获取上下文。 Agent接到任务后，第一件事不是急着写代码，而是理解项目。搜索文件、读取代码、查看目录结构、读取配置文件。它需要先搞清楚"这个项目长什么样"，才能知道"该从哪里下手"。

第二阶段：执行操作。 在理解了项目之后，Agent开始动手。编辑文件、创建新文件、运行命令、执行测试。它不是一次性做完所有事，而是做一步看一步——根据上一步的结果决定下一步做什么。

第三阶段：验证结果。 Agent会主动检查自己做的事情对不对。运行测试看是否通过、检查类型错误、确认代码符合预期。如果发现问题，回到第一阶段重新理解，或者直接在第二阶段修正。

关键点在于，这三个阶段不是严格分离的。 它们融合在一起，构成一个持续运转的循环。Agent随时可能在任何阶段之间跳转，根据任务的复杂度动态调整循环深度。

举个真实的例子来感受这个区别。

场景一：理解代码库。 你问Agent："这个项目的用户认证是怎么实现的？"Agent只需要搜索认证相关的文件，读取关键代码，理解逻辑，然后给你一个清晰的回答。整个过程中它只做了一件事——获取上下文。不需要修改代码，不需要运行测试，循环在第一阶段就停了。

场景二：修复Bug。 你说："用户提交表单后页面报500错误。"Agent搜索表单提交相关的代码文件（获取上下文），读取路由和控制器逻辑（获取上下文），定位到错误行。然后修改代码（执行操作），运行测试验证（验证结果）。如果测试失败了，它重新读错误信息（回到获取上下文），分析失败原因，再修改一遍（再次执行操作）。可能要循环三到五轮才能搞定。

场景三：大型重构。 假设你要把项目里的API响应格式从snake_case统一改为camelCase。Agent先全面搜索涉及响应格式的文件（获取上下文），批量修改（执行操作），然后反复运行测试、检查类型兼容性（验证结果）。验证步骤的数量可能远超修改步骤本身。

同样的三个阶段，不同的任务，循环深度天差地别。这恰恰体现了Agent的智能——它知道什么时候该停，什么时候该继续。

你也是这个循环的一部分。你可以随时打断Agent，调整方向，补充信息，或者让它换一种思路。

Claude Code官方文档用了一段很精准的描述：

Think of delegating to a capable colleague. Give context and direction, then trust Claude to figure out the details.

把任务交给一个靠谱的同事，你只需要说清楚目标和大方向，剩下的细节让他自己搞定。中间你可以随时介入指导，但不需要手把手教他每一步。

这就是Agent和补全工具最本质的区别。补全工具是工具，你握着方向盘；Agent是协作者，它自己开车，你坐在副驾驶上偶尔指路。

三、五把钥匙：Agent的工具体系

Agent能自主行动，靠的不是更聪明的语言模型，而是一套完整的工具体系。

没有工具，语言模型只能输出文字。有了工具，它可以读取你的代码、编辑文件、运行命令、搜索网页。每次工具调用都会产生新的信息，这些信息反馈回Agent的决策过程，指导它下一步该做什么。这就是所谓的Agentic Loop的真正动力来源。

Agent的工具体系大致分五类。

文件操作。 读取文件、编辑代码、创建新文件、重命名和重组目录结构。这是Agent最基础的能力。没有文件操作，Agent连项目代码都看不到，更谈不上修改。

搜索。 按模式查找文件、用正则表达式搜索内容、浏览代码库结构。一个项目可能有几百个文件，Agent需要快速定位到相关代码，而不是盲目地逐个翻阅。搜索能力决定了Agent的"视野范围"。

命令执行。 运行Shell命令、启动服务、运行测试、操作Git。这一类工具让Agent真正具备了"开发环境"的完整能力。它不仅能读代码，还能编译、测试、提交，做你从终端能做的几乎所有事情。

Web访问。 搜索网页、获取文档、查询错误信息。当你遇到一个报错，Agent可以直接上网搜索解决方案，而不是等着你把Stack Overflow的答案复制粘贴过来。

代码分析。 查看类型错误和警告、跳转定义、查找引用。这些能力让Agent不只是"读文字"，而是真正理解代码的语义结构——知道这个函数在哪里定义、被谁调用了、类型是否匹配。

这五类工具合在一起，构成了Agent行动的"手和眼"。语言模型负责思考，工具负责执行。

举个具体例子。假设你跟Agent说："fix the failing tests"。

它会怎么工作？

1. 运行测试套件，看看哪些测试失败了
2. 读取错误输出，理解失败原因
3. 搜索相关源代码文件
4. 读取这些文件，理解代码逻辑
5. 编辑文件，修复问题
6. 再次运行测试，验证修复

六步操作，涉及命令执行、搜索、文件操作三种工具。每一步的输出都是下一步的输入，环环相扣。如果第五步修完之后测试还是失败呢？Agent不会停下来等你。它会重新读错误信息，分析失败原因，换一个思路再改，再跑一遍测试。

整个过程完全自主，你只需要在最后确认结果。

再想想，如果用Copilot做同一件事，你大概需要手动运行测试、手动复制错误信息到对话框、手动解读报错、手动定位文件、手动输入修改指令。Agent把这些步骤全部自动化了，而且它自己知道什么时候算做完。

五类工具的配合也很有意思。文件操作和搜索是"眼"，负责获取信息；命令执行是"手"，负责落地操作；Web访问和代码分析是"外挂大脑"，负责扩展认知边界。它们不是各自独立工作的，而是在Agent循环中协同运作。Agent会根据每一步的实际需求动态选择工具，就像你修Bug时一会儿看终端、一会儿翻代码、一会儿查文档一样自然。

这就是工具体系的威力。不是"替你写一行代码"，而是"替你完成一个任务"。

四、范式已变：你准备好了吗

理解了Agent的工作原理，接下来才是真正重要的部分：你和AI协作的方式需要彻底改变。

用Copilot的时候，你的工作模式是"提示词驱动"。每次想让它帮忙，你得手动输入一段描述，等它补全，然后继续手动工作。下一次需要帮忙，再重复这个过程。你写提示词的技巧越高，效果越好，但本质上每次都在重复相同的劳动。

用Agent的时候，工作模式变成了"配置驱动"。你花时间把项目的规则、结构、偏好写进配置文件——在Claude Code里就是CLAUDE.md。Agent每次启动都会读取这些配置，自动了解你的项目约定。比如你在CLAUDE.md里写了一句"本项目使用pnpm而非npm"，此后Agent每次安装依赖都会自动使用pnpm，你再也不用在每次会话中重复提醒。

区别在哪？

前者，每次会话你都要从零开始教它。后者，规则沉淀下来，越用越顺手。你今天纠正Agent的一个错误，明天它就不再犯。这不是魔法，是配置文件在起作用。

更深层的变化在于信息获取方式。用补全工具时，Agent只能看到你主动告诉它的信息——你贴一段代码、描述一个问题，它基于这些有限信息给出建议。很多做错的情况，不是因为AI不够聪明，而是它根本看不到完整的上下文。

有了完整的工具体系，Agent不需要你描述项目的目录结构、不需要你解释这个函数被谁调用、不需要你告诉它报错信息的全文。它可以自己去搜索、读取、验证。信息的获取权从你手里转移到了Agent手里。

从"依赖人工描述"到"依赖工具直接查询"——这个转变解决的不是效率问题，是质量问题。

从"每次手动输入提示词"到"项目级配置文件沉淀规则"——这个转变解决的不是体验问题，是可持续性问题。

从"单次交互"到"持续优化的开发闭环"——你不再是在用工具，而是在培养一个越来越了解你项目的协作者。

范式已经变了。还用"怎么写好提示词"的思路来驾驭Agent，就像用骑自行车的经验去开汽车——能走，但走不远。

一句话记住今天的内容：Agent不是更聪明的补全，而是一个能自己看项目、自己动手、自己检查的协作者。你的任务，从"操作它"变成了"配置它"。

下一篇，我们来写AI的岗位说明书——CLAUDE.md。

互动话题

你觉得自己目前是AI的"司机"还是"副驾驶"？有没有哪次被AI的"瞎编"气到想关掉编辑器？来评论区认领你的位置。

---

智能编码进化论 | 第1篇/共10篇

上一篇：无（本系列开篇）

下一篇：AI岗位说明书：CLAUDE.md精讲

---

本文内容仅供学习交流，所述方法需结合实际场景灵活运用。 AI工具输出结果仅供参考，关键业务决策请结合人工判断。

本文由AI辅助创作，经人工审核编辑后发布。