金句：Copilot 是一个会开车的副驾驶，Agent 是一个能自己开车去目的地的司机——你只需要告诉它"去机场"，而不是每一个路口怎么转弯。
一、什么是 AI Agent？
AI Agent（智能体） 是能够感知环境、自主决策、使用工具完成目标的 AI 系统。
普通 AI 调用：
用户输入 → LLM → 文本输出
AI Agent：
目标输入 → [规划 → 选择工具 → 执行 → 观察结果 → 调整计划] → 目标达成
↑__________________________________|
持续循环直到目标完成
核心要素：
- 目标：要完成什么
- 工具（Tools）：可以调用的能力（搜索、代码执行、文件操作）
- 记忆（Memory）：当前任务的上下文
- 规划能力：如何分解目标、使用工具
二、构建代码调试 Agent
需求
一个能自动调试代码的 Agent：
- 运行代码，获取报错信息
- 分析报错原因
- 修改代码
- 再次运行，验证修复
- 循环直到通过
实现
# code_debug_agent.py
import subprocess
import tempfile
import os
from anthropic import Anthropic
client = Anthropic()
# 工具定义
tools = [
{
"name": "run_python_code",
"description": "运行 Python 代码并返回输出或错误信息",
"input_schema": {
"type": "object",
"properties": {
"code": {
"type": "string",
"description": "要运行的 Python 代码"
}
},
"required": ["code"]
}
},
{
"name": "read_file",
"description": "读取文件内容",
"input_schema": {
"type": "object",
"properties": {
"filepath": {
"type": "string",
"description": "文件路径"
}
},
"required": ["filepath"]
}
},
{
"name": "write_file",
"description": "写入文件内容",
"input_schema": {
"type": "object",
"properties": {
"filepath": {"type": "string"},
"content": {"type": "string"}
},
"required": ["filepath", "content"]
}
}
]
def run_python_code(code: str) -> str:
"""执行 Python 代码，返回输出或错误"""
with tempfile.NamedTemporaryFile(mode='w', suffix='.py', delete=False) as f:
f.write(code)
temp_file = f.name
try:
result = subprocess.run(
["python", temp_file],
capture_output=True,
text=True,
timeout=30
)
if result.returncode == 0:
return f"✅ 执行成功\n输出：\n{result.stdout}"
else:
return f"❌ 执行失败\n错误：\n{result.stderr}"
except subprocess.TimeoutExpired:
return "❌ 超时（30秒）"
finally:
os.unlink(temp_file)
def process_tool_call(tool_name: str, tool_input: dict) -> str:
"""处理工具调用"""
if tool_name == "run_python_code":
return run_python_code(tool_input["code"])
elif tool_name == "read_file":
with open(tool_input["filepath"], 'r') as f:
return f.read()
elif tool_name == "write_file":
with open(tool_input["filepath"], 'w') as f:
f.write(tool_input["content"])
return f"✅ 文件已写入：{tool_input['filepath']}"
return "未知工具"
def debug_agent(buggy_code: str, max_iterations: int = 5) -> str:
"""自动调试代码的 Agent"""
system_prompt = """你是一个代码调试专家。
你的任务是通过运行代码、分析错误、修改代码来修复代码中的 Bug。
工作流程：
1. 先运行原始代码，查看错误
2. 分析错误原因
3. 修改代码
4. 再次运行验证
5. 重复直到代码正确运行
每次修改代码后，必须重新运行验证是否修复。
最多尝试 5 次。"""
messages = [
{
"role": "user",
"content": f"请帮我调试以下代码，找出并修复所有 Bug：\n\n```python\n{buggy_code}\n```"
}
]
iteration = 0
while iteration < max_iterations:
iteration += 1
print(f"\n{'='*50}")
print(f"调试迭代 #{iteration}")
response = client.messages.create(
model="claude-3-5-sonnet-20241022",
max_tokens=4096,
system=system_prompt,
tools=tools,
messages=messages
)
# 检查是否完成
if response.stop_reason == "end_turn":
print("✅ Agent 认为任务完成")
# 提取最终答案
for block in response.content:
if hasattr(block, 'text'):
return block.text
break
# 处理工具调用
if response.stop_reason == "tool_use":
messages.append({"role": "assistant", "content": response.content})
tool_results = []
for block in response.content:
if block.type == "tool_use":
print(f"🔧 调用工具：{block.name}")
print(f" 参数：{block.input}")
result = process_tool_call(block.name, block.input)
print(f" 结果：{result[:200]}...") # 截断显示
tool_results.append({
"type": "tool_result",
"tool_use_id": block.id,
"content": result
})
messages.append({"role": "user", "content": tool_results})
return "调试完成"
# 使用示例
buggy_code = """
def calculate_average(numbers):
total = 0
for num in numbers:
total = total + num
return total / len(numbers)
# 测试
print(calculate_average([1, 2, 3, 4, 5]))
print(calculate_average([])) # 这行会出错
print(calculate_average("hello")) # 这行也会出错
"""
result = debug_agent(buggy_code)
print(f"\n最终结果：\n{result}")
三、Agent 的高级模式
ReAct 模式（Reason + Act）
思考：我需要找出代码中的问题
行动：运行代码
观察：出现了 ZeroDivisionError
思考：需要添加空列表检查
行动：修改代码，添加 if not numbers: return None
观察：执行成功
思考：还有类型检查问题
行动：添加类型验证
观察：所有测试通过
结束
Reflection 模式（反思）
Agent 完成任务后，评估自己的输出质量，如果不满意则重做：
def reflection_agent(task: str) -> str:
# 第一轮：完成任务
initial_output = generate_code(task)
# 反思：评估输出质量
reflection = evaluate_output(initial_output, criteria=[
"代码是否可以运行？",
"是否有安全漏洞？",
"是否符合最佳实践？",
"是否有测试用例？"
])
if reflection["needs_improvement"]:
# 根据反思结果改进
improved_output = improve_code(initial_output, reflection["issues"])
return improved_output
return initial_output
四、Agent 的限制与安全边界
# 安全的 Agent 配置
SAFE_AGENT_CONFIG = {
# 允许的操作
"allowed_actions": [
"read_file", # 读取文件
"run_python", # 运行 Python（沙箱中）
"search_web", # 网络搜索
"query_database", # 数据库查询（只读）
],
# 禁止的操作
"forbidden_actions": [
"delete_file", # 禁止删除文件
"modify_system", # 禁止修改系统配置
"send_email", # 禁止发送邮件（需人工确认）
"execute_shell", # 禁止执行任意 shell 命令
],
# 需要确认的操作
"require_confirmation": [
"write_file", # 写文件需要确认
"api_call", # 外部 API 调用需要确认
],
# 资源限制
"max_iterations": 10,
"timeout_seconds": 120,
"max_cost_usd": 1.0, # 单次任务最大 API 费用
}
章节小结：AI Agent 是 Vibe Coding 的终极形态——你描述目标，Agent 自主完成。构建一个 Agent 需要：定义工具集、设计 Agent 循环、处理工具调用结果、设置安全边界。从代码调试 Agent 开始，逐步扩展到测试生成、文档更新、自动化发布，让 AI 真正帮你"干活"而不只是"出主意"。
