- 综合排序
- 最热优先
- 最新优先
如何用好Coding Agent
Coding Agent：是一种专门用于编程任务的智能体，它能够在软件开发过程中根据环境中的工具，执行相应的操作，去辅助用户做一些功能，如代码生成、调试、优化等。 如何用好AI编码Agent呢？ 让Agent理解当前仓库和业务背景 初始化Memory： 让Agent通读当前代码仓库，并创建WIKI， 通过Human In The Loop维护文档。 使用Plan模式：让Agent自查完成任务时的上下文匮乏，多轮提问Human In The Loop补充。 使用Act模式：让Agent跳过询问，根据自己的理解直接执行。 还有一些其他技巧比如：时间管理技巧：在吃饭前、在开会前和买菜前把任务交给AI Agent，之后检查。
1.1K10编辑于 2025-11-17- 来自专栏AI SPPECH
综合实战：构建 Coding Agent 核心引擎
代码生成管道是 Coding Agent 的核心输出模块。 执行反馈是 Coding Agent 从"生成代码"到"完成任务"的关键环节。 调度编排层是 Coding Agent 的"大脑"，负责全局状态管理和任务协调。 coding_agent.execution.execution_engine import ExecutionEngine from coding_agent.execution.feedback_loop Agent 使用""" # 创建 Agent agent = await create_coding_agent() # 创建用户请求 request
22110编辑于 2026-05-27 AI Coding Agent 如何工程化：从上下文污染到多 Agent 分工
虽说它们都是某次Coding工作过程的一部分，但未必都值得留在主上下文里。 接下来还有另一个问题：Agent该如何行动，行动权又该如何分配。可能会有人觉得多Agent系统是一群Agent合理分工，同时工作：这个写前端，那个写后端，还有一个改测试，最后一起合并。 判断权与写入权Cognition的实践告诉我们，目前更可行的多Agent结构是让多个Agent围绕一条主写入路径提供支持，而不是让一群Agent自由行动。 而多Agent系统今天最有效的方式，是写入保持单线程，额外的Agent贡献智能，避免到处行动。这句话背后的工程含义很重要。多Agent可以扩大判断来源，但写入权要控制好。 否则，系统会从“多个Agent协作”变成“多个Agent各自带着不同上下文修改同一个系统”。ReviewAgent与干净上下文代码审查是一个典型的多Agent分工场景。
28410编辑于 2026-05-13- 来自专栏深蓝居
AI Coding Agent Token 成本优化指南（下）：工具层、代码图谱与多 Agent 协作
但如果你想继续往下压，就要开始处理系统层的问题：命令输出怎么压、检索怎么少走弯路、多个 Agent 怎么把上下文拆开。 第六章 多 Agent 协作：边界清晰时，CodeBuddy 会更省 Token 前两层解决的是“单个上下文怎么更省”。这一层继续往前走：别让所有任务都挤进同一个上下文。 换句话说，前面讲的是“单个会话怎么省”，这里讲的是：多个 Agent 怎么分工协作，才能在任务边界清晰时更省。 6.2 subagent：任务隔离的最低成本方式 CodeBuddy 的 Skill 里可以直接调用 Agent tool，把子任务分发出去： 使用 Agent tool 分析这个 PR 的影响范围， 前提是子任务真的能拆开；如果每个 Agent 都要重复读同一批背景，拆得越多，反而越贵。
3910编辑于 2026-06-09 Coding Agent 怎么搭：TokenHub + OpenClaw + Hy Token Plan 接入示例
摘要： 本文给出一条用 TokenHub + OpenClaw + Hy Token Plan 搭建 Coding Agent 的接入路径，覆盖模型选型、API Key 申请、Base URL 配置、套餐抵扣与并发管理 一、为什么 Coding Agent 这条赛道值得重做 过去两年，AI 编程工具从单纯的"代码补全"演化到"任务级 Agent"——给一句需求，工具自己能拆解、写代码、跑测试、改 bug。 这一步的 100 万 Tokens 足够你跑通一个 Coding Agent 的 PoC，先不用着急买套餐。 四、典型 Coding Agent 工作流的资源消耗 下表给出一个体感参考（不是承诺值，仅用于估算套餐档位）： 任务类型 上下文输入量级 多轮迭代 推荐起步套餐 单文件代码补全 数千 Token 较少 六、写在最后 把一个 Coding Agent 真正跑稳定，比写一个 Demo 难得多——它是模型能力、Agent 框架、成本控制三件事的合体工程。
24910编辑于 2026-05-27Signal #12: Coding Agent 正在拥有自己的运行时｜AI Coding 的界面，不再只是聊天框
这意味着，Coding Agent 正在从“被调用的功能”，变成“可运行、可观察、可恢复、可管理的执行单元”。 AI Coding 的核心界面，可能不再只是编辑器里的聊天框，而会逐渐变成一个 Agent 执行控制台。 过去我们谈 AI Coding，很容易把注意力放在模型上。 这些变化各自看，都是产品更新；但放在一起看，它们指向的是同一个方向：Coding Agent 正在拥有自己的运行时。 图 1｜从功能入口到执行单元 过去，Agent 更像是某个入口里的能力。 当这些东西逐渐组合起来，Coding Agent 就不再只是一个写代码的助手，而开始成为一种新的研发执行单元。 这时候，企业要关注的问题也会变。 Coding Agent 正在拥有自己的运行时。
17710编辑于 2026-05-18- 来自专栏程序小小事
JetBrains IDEs GO AI：最新coding agent，更智能的编程助手！
Edit模式：等同cursor的manual模式，这里会修改代码，需要用户确认 Chat模式：等同cursor的Ask模式，可以任意对话 那 JetBrains AI assistant 的agent去哪里了
75710编辑于 2025-04-24 - 来自专栏不二小段
Andrej Karpathy：Vibe Coding提高下限，Agent工程保证质量
我们正在从“氛围编程”（Vibe Coding）进入“智能体工程”（Agentic Engineering）的新时代。 从氛围编程到智能体工程：从业余到专业的进化 去年，Andrej 创造了“氛围编程”（Vibe Coding）这个词。 Andrej 认为，Vibe Coding 的核心价值在于“提高所有人的下限”。 但这只是故事的一半。 当你把 Vibe Coding 的产物放到专业的、严肃的生产环境中时，问题就来了：它可能引入漏洞，可能存在性能隐患，可能设计得一塌糊涂。 参考来源：Andrej Karpathy: From Vibe Coding to Agentic Engineering
30210编辑于 2026-05-13 - 来自专栏大前端修炼手册
在 30 万行祖传代码上跑 Coding Agent
科技要闻 • Nvidia 发布 Vera CPU，专为 AI 智能体工作负载打造：N 家这次把"为 Agent 加速"写到了 Slogan 里，意味着 Coding Agent 这种"长上下文 + 这事儿让我开始认真思考一个问题：在一个有大量历史包袱的真实项目上，怎么把 Coding Agent 跑成"团队的人"，而不是"外包来的临时工"？ 第四刀：让 Agent "做饭"，不让它"端菜" 这一刀比较反直觉，我也是最近才想明白。 很多团队用 Coding Agent 的姿势是：Agent 写代码 → 人提交 → 人沟通 → 人合并。 2) Agent 的 "记忆"是负担，不是资产 这点和现在很多"长期记忆"产品的方向反着来，但我跑下来的真实感受就是：Coding Agent 的长上下文记忆，往往是污染源。 写在最后：工具是放大器 三个月跑下来我最大的感受是：Coding Agent 不是"另一个工程师"，它是团队规范的放大器。
11510编辑于 2026-06-04 从聊天编码到多 Agent 协作的Agentic Coding路线图
Agentic Coding 换了一种方式——你是技术负责人，你手底下有一个团队： 你给 Tech Lead 说："实现一个订单模块，明天交付" Tech Lead（Orchestrator Agent 这就是 Agentic Coding 的核心：从"人 ↔ AI"到 "人 → 多 Agent 团队 → 结果"。 Agent 1（编码）→ Agent 2（审查）→ Agent 3（修复） 练习 1：双 Agent 代码审查 这是最简单的 Agentic 实验，你不需要搭建任何系统： 打开你的 AI Coding 五、如何行动 不需要装任何新软件，只需要你手头的 AI Coding 工具： 天 练习 时间 学到什么 Day 1 双 Agent 审查：写代码 → 让 AI 审查 → 修复 20min 顺序链模式 Day 六、一个重要的诚实声明 Agentic Coding 的工具有很多（CrewAI、LangGraph、AutoGen、各 AI Coding 工具的内置 Agent 模式），但这些工具的底层原理都一样—
14200编辑于 2026-06-01- 来自专栏技术人生黄勇
jcode 深度解析：纯 Rust 打造，它凭什么号称「最强 Coding Agent」？
实例 • 自动冲突感知：Agent A 修改了 Agent B 已读文件，B 立即收到通知 • Agent 可自主 fork 子 Agent 团队（主 Agent → 协调者，子 Agent → 执行者 1 │ └── Agent 2 │ └── 工作树管理器 (WTM) ├── Agent 3 └── Agent 4 角色 核心权限 协调者 唯一可生成/关闭 Agent Agent 协商 关键约束：Agent 不能链式生成。 冲突时 Agent 自行协商 Agent A 要改 Agent B 已读的文件 → File Touch Notification（冲突感知） → Agent A 和 B 通过 DM 自行协商 Agent、审批 Plan 更新、处理失败重试/替换 恢复机制（Agent 挂了怎么办）： 操作 含义 retry 同一 Agent 重试 reassign 转给另一个现有 Agent replace
81210编辑于 2026-05-07 - 来自专栏CodeSpirit
驾驭 Coding Agent：从对话式编程到十倍工程师
注意：此计划基于需求“请基于playwright登录默认租户的管理后台（管理员账号密码从初始数据获取），然后对考生管理进行增删改查的验证。整个过程需要基于playwright进行录屏。”生成。
32610编辑于 2026-01-26 - 来自专栏云开发
为 Agent 重新设计云：Vibe Coding 平台背后的基础设施
Agent 改变的是专业开发者的工作流，那么 Vibe Coding 平台正在做的是更激进的事情：把「拥有一个软件」这件事的门槛拉到普通人也能触达。 二、当前 Vibe Coding 平台的工程难题：LLM 写代码已经不是瓶颈 Vibe Coding 平台表面是 AI 产品，底层其实是 Agent Runtime、云沙箱、应用后端、多租户隔离和按量计费的组合工程 从产品形态看，Vibe Coding 平台只是「自然语言进、应用出」的一个黑盒： 自然语言 → Vibe Coding 平台 → 应用 但从工程视角看，它是几种复杂系统的叠加体： Agent Loop 对 Vibe Coding 平台来说，更现实的路径是站在一套成熟的云基础设施之上，把精力集中在 Agent 编排和产品体验上。 /agent-runtime 3.2、让 Agent 生成的应用真正可用 Vibe Coding 产物不应该只停留在静态页面，而要自然获得数据库、身份认证、云存储、云函数、静态托管、容器托管和 HTTPS
18810编辑于 2026-06-03 Signal #7：前沿 AI Coding 的分水岭，开始从 Agent 转向系统
欢迎交流和关注～ 最近一个越来越明显的感受是，前沿 AI Coding 的讨论，正在慢慢从“Agent 会不会做”，转向“系统能不能支撑 Agent 稳定做完”。 前一阶段，大家更关心的还是 Agent 本身：会不会拆任务，能不能把需求一路推进到可提交状态，出码率高不高。 这些当然仍然重要，因为它们决定了 Agent 是否真的进入了研发流程。 这意味着，前沿 AI Coding 的差距，正在不只是体现在模型会不会生成代码。 当然，这并不意味着 Agent 能力已经不重要了。 收敛一点说： 前沿 AI Coding 的下一阶段，拼的可能已经不只是 Agent 能做多少， 而是谁先把围绕任务表达、执行推进与结果验证的系统能力，组织成一个可持续运行的整体。
14200编辑于 2026-05-18- 来自专栏机器学习与统计学
自动检测电脑可以跑什么大模型，自动启动 Coding Agent
变成一个命令在本地运行 Coding Agent 比较有意思的是，他这里面提到了三个工具，每一个我都有介绍： llmfit：电脑能跑多大模型，一键测算+本地部署 llama.cpp：内网部署llama.cpp Pi：与 Claude Code、OpenCode 有完全不同设计哲学的 Agent 工具——pi 而 HF-agent 把他们完美揉合——模型、推理服务、Agent 串起来了 安装很简单 curl - system # 显示硬件 hf agents fit search "qwen" # 搜索模型 hf agents fit recommend --use-case coding hf agents fit recommend --use-case coding --min-fit good -n 5 --json 当前这台机器，比较靠前的推荐包括： bigcode/starcoder2 检测完毕就可以一键启动 Pi 了：hf agents run pi 十分建议大家尝试一下 Pi 这个 Coding Agent 如果不想本地模型驱动，你也可以试试Ollama ，原生命令增加了对 Pi
50010编辑于 2026-03-27 - 来自专栏深度学习与python
从 Copilot 到 通用 Agent ： 阿里在 AI Coding 上的应用和挑战
了解当前大模型解决复杂问题上到底遇到了什么问题 了解内部智能化产品和工具存在的意义是什么，相比起外部第三方产品有哪些优势 预告：将于 10 月 23 - 25 召开的 QCon 上海站设计了「Vibe Coding 」专题，想要深入了解从应用到产品到工程和算法，基于 AI 实现 Vibe Coding 效率倍增的实践案例，对这一领域最前沿的发展能有一个快速完整的理解，并在自己的业务场景中实现的同学不要错过。 我们来对比一下两个 Agent 产品，如下表所示： 5 建设 Agent 遇到的挑战 在通用 Agent 的发展过程中，我们遇到了一些挑战和问题。 当主 Agent 指示子 Agent 进行系统测试时，如果之前生成的用户名和密码没有传递给子 Agent，子 Agent 可能会不断尝试不同的用户名和密码来登录，而不是询问主 Agent 获取正确的凭据 例如，当我们指示 Agent 生成一个 HTML 邮件时，如果明确指出不要使用转义符，但 Agent 仍然坚决使用转义符，或者当我们要求 Agent 按照五子棋规则进行测试时，Agent 却逐个尝试无效的黑白棋步
80710编辑于 2025-07-02 这 3 个开源小工具，帮你让 Coding Agent 少吃点 Token
今天我们就来分享 3 个有用的开源项目，专门帮你的 Coding Agent 整理“上下文”：让它少翻无关代码，少吞冗长日志，把 token 留给更关键的信息。 Agent 需要理解某个功能时，可以先查这张图，知道相关代码大概在哪里、谁调用了谁、哪些文件可能有关。这样一来，Coding Agent 不用一上来就把很多文件都塞进上下文。 它适合的 Coding 场景也很清楚：当项目比较大、文件比较多、调用关系比较绕时，CodeGraph 能大大减少 grep 和 read 的相关操作。 读取日志和 diff 的 token 消耗"],}Coding Agent 写代码时，会经常性执行像是git diff、npm test、cargo test、docker ps、pytest、go 它可以让 Claude Code 和其他支持 MCP 的 AI Coding Agent，直接从整个代码库里搜索相关代码，减少多轮 grep 和 read。
11810编辑于 2026-06-08- 来自专栏【腾讯云开发者】
为Agent重新设计云：Vibe Coding平台背后的基础设施
Agent 改变的是专业开发者的工作流，那么 Vibe Coding 平台正在做的是更激进的事情：把「拥有一个软件」这件事的门槛拉到普通人也能触达。 02 当前 Vibe Coding 平台的工程难题：LLM 写代码已经不是瓶颈 Vibe Coding 平台表面是 AI 产品，底层其实是 Agent Runtime、云沙箱、应用后端、多租户隔离和按量计费的组合工程 从产品形态看，Vibe Coding 平台只是「自然语言进、应用出」的一个黑盒： 自然语言 → Vibe Coding 平台 → 应用 但从工程视角看，它是几种复杂系统的叠加体： Agent Loop 对 Vibe Coding 平台来说，更现实的路径是站在一套成熟的云基础设施之上，把精力集中在 Agent 编排和产品体验上。 详细设计见 Agent 运行：Brain / Hands 分离与受控信任边界: https://docs.cloudbase.net/solutions/vibe-coding-platform/agent-runtime
21210编辑于 2026-06-03 我以为自己很会用 AI coding agent，直到认真读了 Codex 官方文档
打字时你脑子里的“默认信息”，agent是完全拿不到的。语音虽然更啰嗦，但信息密度反而更高。这是个小点，但非常实用。需求不清？让它来“采访”你这是我觉得最有价值的一点。 一个判断标准写规则前问自己一句：这件事，agent能靠常识推断出来吗？能→不写不能→才写否则文件会越来越臃肿。Skills和AGENTS.md，本质完全不同这个我卡了很久才想明白。 让agent写agent的流程，比你自己写更省事2.不要过早封装只有当一个任务开始反复出现，才值得做成Skill。否则只是制造维护成本。 问题：agent直接改你当前文件→改错→状态混乱→回滚麻烦解决方案：用GitWorktrees给agent单独一个目录：出问题→直接删不影响主工作区任务越大，这个习惯越重要。 3.不要让agent改活跃文件（GitWorktrees，前面说过）几个实用命令我自己常用的：/fork：开新分支探索/resume：恢复任务/agent：切换agent/status：查看状态/compact
98611编辑于 2026-03-26CodeBuddy Code CLI Agent 简单试用-能否愉快的实现Vibe Coding氛围编程
根据腾讯对该产品的介绍，该产品本身是对标行业一流 CLI 产品，打造专业工程师用的专业 CLI Agent工具。 实现我前面谈到的类似Vibe Coding氛围编程的体验。 CodeBuddy CLI Agent本身内置多种工具，支持文件编辑、命令运行与提交创建，并能通过 MCP 灵活扩展 或 自定义开发工具。 基于Vibe Coding思路的AI辅助编程 接着，我们再来测试下Vibe Coding能力。注意我前面专门解释过Vibe Coding，简单来说就是基本不接触或主动去修改代码的编程。 我在前面也谈到过，一个是缩短整个上下文长度，一个是我们现在是AI软件工程，是基于Spec Coding的思路来辅助开发，而不是完全的Vibe Coding。
94410编辑于 2025-11-17
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号