📝 Day 18: 代码生成Agent - AI编程助手
学习日期: 2026-05-16
项目: 代码生成Agent
预计时间: 25分钟实践 + 30分钟理论学习
项目定位: Phase 3进阶，学习AI辅助编程
🎯 今天学到的内容
1. 什么是代码生成Agent？
传统编程：
- 程序员手动编写每一行代码
- 需要查阅文档、搜索示例
- 调试和修复错误耗时
AI辅助编程：
- Agent根据需求自动生成代码
- 自动审查和优化代码质量
- 快速修复错误和bug
- 解释复杂代码逻辑
类比：传统编程像"手写作文"，AI辅助编程像"有智能助手帮你起草、修改、润色"。
2. 代码生成Agent架构
✅ 核心组件
┌─────────────────────────────────────────┐
│ 代码生成Agent系统 │
│ │
│ ┌─────────┐ ┌─────────────────┐ │
│ │ 需求分析 │───▶│ 代码生成引擎 │ │
│ │ (LLM) │ │ (Generator) │ │
│ └─────────┘ └────────┬────────┘ │
│ ▲ │ │
│ │ ▼ │
│ ┌────┴────┐ ┌─────────────────┐ │
│ │ 结果输出 │◀───│ 代码验证与优化 │ │
│ │ │ │ (Validator) │ │
│ └─────────┘ └─────────────────┘ │
│ │
└─────────────────────────────────────────┘
✅ 工作流程
用户: "写一个计算斐波那契数列的函数"
1. 需求分析
Agent: 用户需要斐波那契数列计算函数
→ 确定输入：整数n
→ 确定输出：第n个斐波那契数
→ 选择算法：迭代法（效率高）
2. 代码生成
→ 编写函数定义
→ 添加文档字符串
→ 添加错误处理
→ 添加使用示例
3. 代码验证
→ 检查语法
→ 执行测试
→ 确认输出正确
4. 结果输出
→ 返回完整代码
→ 提供使用说明
3. 代码生成技术
✅ 提示词工程
SYSTEM_PROMPT = """你是一个专业的Python编程助手。
代码生成原则：
- 使用清晰的变量名
- 添加文档字符串（docstring）
- 处理边界情况
- 遵循Python最佳实践（PEP 8）
- 避免使用eval()等危险函数
输出格式：
```python
# 代码在这里
解释： [代码逻辑说明]
使用示例： [示例代码] """
#### ✅ 代码解析
```python
def _extract_code(self, text: str) -> str:
"""从文本中提取代码块"""
# 匹配 ```python ... ```
pattern = r'```python\s*(.*?)\s*```'
match = re.search(pattern, text, re.DOTALL)
if match:
return match.group(1).strip()
return text.strip()
4. 代码审查
✅ 审查维度
| 维度 | 检查内容 |
|---|---|
| 可读性 | 变量命名、代码结构、注释 |
| 错误处理 | 异常处理、边界情况 |
| 性能 | 算法复杂度、资源使用 |
| PEP 8 | 代码风格、格式规范 |
| 文档 | 文档字符串、类型提示 |
✅ 审查提示词
prompt = f"""请审查以下Python代码，给出评分和改进建议。
代码：
```python
{code}
请从以下维度评估：
- 代码可读性
- 错误处理
- 性能优化
- 遵循PEP 8
- 文档完整性
输出格式： 评分: X/10 问题:
- [问题1] 建议:
- [建议1] """
---
### 5. 代码执行与验证
#### ✅ 安全执行代码
```python
import subprocess
import tempfile
def execute_code(code: str) -> Tuple[bool, str]:
# 创建临时文件
with tempfile.NamedTemporaryFile(mode='w', suffix='.py', delete=False) as f:
f.write(code)
temp_file = f.name
try:
# 使用subprocess执行，限制时间
result = subprocess.run(
['python', temp_file],
capture_output=True,
text=True,
timeout=5
)
if result.returncode == 0:
return True, result.stdout
else:
return False, result.stderr
except subprocess.TimeoutExpired:
return False, "执行超时"
finally:
os.unlink(temp_file)
✅ 语法验证
def validate_syntax(code: str) -> Tuple[bool, str]:
try:
compile(code, '<string>', 'exec')
return True, "语法正确"
except SyntaxError as e:
return False, f"语法错误: {e}"
6. 代码优化
✅ 优化策略
def optimize_code(self, code: str, goal: str = "性能") -> Dict[str, str]:
"""
优化代码
Args:
code: 原始代码
goal: 优化目标（性能/可读性/内存）
"""
prompt = f"""请优化以下Python代码，优化目标：{goal}
原始代码：
```python
{code}
请提供：
- 优化后的代码
- 具体改动了什么
- 优化前后的对比说明
"""
调用LLM生成优化代码
...
---
## 🛠️ 实战项目：代码生成Agent
### 项目功能
✅ **代码生成** - 根据需求自动生成代码
✅ **代码审查** - 评估代码质量，给出评分
✅ **代码优化** - 针对性能/可读性/内存优化
✅ **代码解释** - 解释代码逻辑和原理
✅ **错误修复** - 根据错误信息修复代码
✅ **代码测试** - 验证语法和执行
✅ **代码模板** - 常用代码模板库
✅ **演示模式** - 无API密钥也能体验
### 核心代码结构
```python
class CodeGenerationAgent:
def __init__(self, api_key=None):
self.llm = ChatOpenAI(...)
self.executor = CodeExecutor()
def generate_code(self, requirement: str) -> Dict[str, str]:
"""根据需求生成代码"""
def review_code(self, code: str) -> Dict[str, Any]:
"""审查代码质量"""
def optimize_code(self, code: str, goal: str) -> Dict[str, str]:
"""优化代码"""
def explain_code(self, code: str) -> str:
"""解释代码逻辑"""
def fix_code(self, code: str, error: str) -> Dict[str, str]:
"""修复代码错误"""
def test_code(self, code: str) -> Dict[str, Any]:
"""测试代码"""
运行方式
python day18_code_agent.py
💡 今天的难点解析
难点1：代码安全执行
# 问题：执行用户/AI生成的代码有安全风险
# 解决：
# 1. 使用临时文件
# 2. 限制执行时间
# 3. 使用subprocess隔离
# 4. 禁止危险函数（eval, exec等）
# 禁止的危险模式
dangerous_patterns = ['eval(', 'exec(', '__import__', 'os.system']
难点2：代码解析
# 问题：从AI输出中提取代码块
# 解决：使用正则表达式匹配markdown代码块
def extract_code(text: str) -> str:
# 匹配 ```python ... ```
pattern = r'```python\s*(.*?)\s*```'
match = re.search(pattern, text, re.DOTALL)
if match:
return match.group(1).strip()
return text.strip()
难点3：代码质量评估
# 问题：如何让AI给出客观的代码评分
# 解决：
# 1. 明确评分维度
# 2. 提供评分标准
# 3. 要求具体例子
prompt = """
请从以下维度评分（每项0-2分）：
1. 可读性：变量名是否清晰？
2. 错误处理：是否处理了异常情况？
3. 性能：算法是否高效？
4. PEP 8：是否遵循代码规范？
5. 文档：是否有文档字符串？
总分10分。
"""
🧪 动手实验
实验1：生成不同语言的代码
# 修改提示词，生成其他语言代码
def generate_javascript(requirement: str) -> str:
prompt = f"""请生成JavaScript代码：
需求: {requirement}
"""
response = llm.invoke(prompt)
return response.content
实验2：添加自定义代码模板
# 在CodeTemplates中添加新模板
TEMPLATES = {
"快速排序": {
"description": "快速排序算法实现",
"code": '''def quicksort(arr):
if len(arr) <= 1:
return arr
pivot = arr[len(arr) // 2]
left = [x for x in arr if x < pivot]
middle = [x for x in arr if x == pivot]
right = [x for x in arr if x > pivot]
return quicksort(left) + middle + quicksort(right)
'''
}
}
实验3：集成到开发流程
# 在保存文件前自动审查
def save_with_review(filename: str, code: str):
agent = CodeGenerationAgent()
review = agent.review_code(code)
if review['score'] < 5:
print("代码质量较低，建议改进:")
for issue in review['issues']:
print(f" - {issue}")
with open(filename, 'w') as f:
f.write(code)
💡 今天的学习收获
✅ 掌握了
- 代码生成Agent的核心概念
- 使用LLM生成代码的技巧
- 代码审查的维度和方法
- 安全执行代码的方案
- 代码优化的策略
🤔 理解难点
- 代码生成不是简单的"文本补全"，需要理解需求、选择算法、处理边界
- 安全执行是核心挑战——AI生成的代码可能包含危险操作
- 代码质量评估需要多维度考量
- 提示词工程对代码质量影响很大
🚀 实践成果
- ✅ 实现了代码生成Agent
- ✅ 支持生成、审查、优化、解释、修复、测试
- ✅ 实现了安全代码执行环境
- ✅ 提供了常用代码模板库
📚 扩展阅读
AI编程工具
代码生成论文
🎯 明日预告：数据库Agent
将学习:
- 让Agent理解自然语言查询
- 自动生成SQL语句
- 数据库操作自动化
项目: 数据库Agent
💭 学习心得
"Day 18学习了代码生成Agent，这是AI辅助编程的核心。
最大的感悟：AI不会取代程序员，但会用AI的程序员会取代不会用的。 代码生成Agent是助手，不是替代者。
几个重要的领悟：
- 需求理解是关键 → 清晰的需求才能生成正确的代码
- 安全执行是底线 → 必须隔离执行环境
- 代码审查是保障 → AI生成的代码也需要检查
- 迭代优化是常态 → 第一次生成的代码 rarely perfect
明天学习数据库Agent，让AI能操作数据库！"
完整代码: day18_code_agent.py
⭐ Day 18 完成！AI会写代码了！⭐
"让AI写代码，让程序员专注于思考。"
