什么是 AI 编程 Agent？它和 Copilot、ChatGPT 的本质区别

开发者: "这段 Python 代码报错了，帮我看看"
ChatGPT: "看起来你在第42行忘记处理 None 值了，试试这样改..."
开发者: (手动复制修改到编辑器)

# 你在 IDE 中输入：
def calculate_discount(price, is_member):
    # Copilot 自动补全：
    if is_member:
        return price * 0.9
    return price

开发者: "给项目加一个 JWT 认证中间件，参考已有的 auth 模块风格"
Claude Code:
  → 读取项目结构，找到 auth 模块
  → 理解现有代码风格
  → 创建 middleware.py
  → 运行测试 → 发现 import 路径错误
  → 自动修复
  → 再次运行测试 → 全部通过
  → 完成，输出变更摘要

# Agent 内部的文件检索流程（概念示意）
$ agent "在 auth 模块中查找 token 验证逻辑"

# Agent 执行：
# 1. grep -r "verify_token" src/auth/       # 关键词检索
# 2. embedding_search("token validation")    # 语义检索
# 3. call_graph("verify_token")              # 调用链分析
# → 综合结果：找到 3 个相关文件，12 个函数调用点

任务: "给 API 添加分页功能"

Agent 规划:
├── Step 1: 分析现有 API 的响应格式
├── Step 2: 设计分页参数 (page, page_size)
├── Step 3: 修改数据库查询逻辑 (LIMIT/OFFSET)
├── Step 4: 修改响应格式 (total, items, page)
├── Step 5: 添加单元测试
├── Step 6: 运行全量测试确保无回归
└── Step 7: 更新 API 文档

# Agent 工具调用序列示例
[TOOL_CALL] read_file("src/api/users.py", lines=1-50)
[TOOL_RESULT] 读取成功，共 200 行
[TOOL_CALL] edit_file("src/api/users.py",
    start_line=45,
    content="    page: int = Query(1, ge=1)\n    page_size: int = Query(20, ge=1, le=100)")
[TOOL_RESULT] 文件修改成功
[TOOL_CALL] run_shell("pytest tests/test_users.py -v")
[TOOL_RESULT] FAILED - 1 error (断言失败)
[TOOL_CALL] read_file("tests/test_users.py", lines=80-120)
[TOOL_CALL] edit_file("tests/test_users.py", ...)
[TOOL_CALL] run_shell("pytest tests/test_users.py -v")
[TOOL_RESULT] PASSED ✓

[ERROR] AssertionError: assert response.status_code == 200
        Actual: 422

Agent 分析:
  - 状态码 422 = 请求参数验证失败
  - 最近的修改：添加了 page 和 page_size 参数
  - 测试请求没有传分页参数 → 可能缺少默认值
  - 检查代码 → 发现 Query 参数缺少 default 值

[SELF_FIX] 修改参数定义，添加 default=1 和 default=20
[RE-VERIFY] 测试通过 ✓

ChatGPT: "你需要把这段代码贴给我看，我才能帮你分析"
Agent:   "我已经读取了项目中的 200+ 文件，知道你的架构，直接开始工作"

# Agent 自主循环伪代码
Loop until task_complete or max_iterations:
    observe(current_state)          # 读取代码、测试结果
    plan(next_steps)                # 决定下一步做什么
    execute(tool_calls)             # 调用工具执行
    feedback(tool_results)          # 根据结果调整
    verify(completion_criteria)     # 检查是否满足完成条件

开发者: (粘贴 users.py 代码) "给这个接口加模糊搜索"
ChatGPT: "你可以这样改..." (给出代码片段)
开发者: (手动粘贴到编辑器，发现有个 import 没考虑到)
开发者: (再次提问) "还报错了..."
ChatGPT: "试试这样..."
(循环 3-5 轮，开发者手动操作)

开发者: 在 users.py 中输入 # 添加用户名模糊搜索
Copilot: (补全部分代码)
开发者: (接受部分，手动补充其他部分)
开发者: (运行测试，失败)
开发者: (手动修改测试文件)
开发者: (手动更新 API 文档)

开发者: "给 /api/users 加一个 username 模糊搜索参数"
Agent: (自主执行以下操作)
  → 定位路由文件
  → 理解现有查询逻辑
  → 添加 LIKE 查询参数
  → 运行测试 → 失败
  → 修复
  → 运行测试 → 通过
  → 更新文档
  → 输出变更摘要
开发者: (审查 diff，确认无误)

任务输入 → 代码理解 → 方案规划 → 代码编写 → 测试验证
                                              ↓
                                         测试失败？
                                              ↓
                                         错误分析 → 自动修复 → 重新测试
                                              ↓
                                         测试通过 → 任务完成

# ReAct 模式伪代码（Agent 内部逻辑）
thought = "用户要求添加搜索功能。我需要：1)找到路由定义 2)添加查询参数 3)修改数据库查询"
action = read_file("src/api/users.py")
observation = "找到路由，当前只有精确匹配逻辑"
thought = "现在需要添加 ILIKE 查询。让我修改 where 子句..."
action = edit_file(...)
observation = "文件修改成功"
thought = "运行测试验证修改是否正确"
action = run_shell("pytest tests/test_users.py")
observation = "FAILED: TypeError..."
thought = "测试失败了。错误是类型问题——可能 page 参数和 search 参数冲突了"
action = read_file("src/api/users.py", lines=40-60)
# ... 继续循环

┌──────────────────────────────────────┐
│          人类负责                      │
│  • 任务定义与验收                      │
│  • 架构决策与设计审查                  │
│  • 复杂逻辑的思路指导                  │
│  • 最终代码审查 (code review)          │
└──────────────┬───────────────────────┘
               │
               ▼
┌──────────────────────────────────────┐
│          Agent 负责                   │
│  • 代码理解与定位                      │
│  • 具体实现（写代码）                  │
│  • 测试编写与执行                      │
│  • 错误修复与迭代                      │
│  • 文档生成                            │
└──────────────────────────────────────┘