代理式编码详解：从自动补全到自主智能体

四年前，"AI 编码"意味着自动补全：模型根据光标上下文猜测下一行代码。现在它意味着大得多的东西。代理式编码工具可以规划多文件更改、运行测试、读取日志、调用 API、编写拉取请求，并决定何时停止并向你提问。这两类之间的差距比大多数开发人员意识到的要大。

自动补全 vs 智能体：简而言之

自动补全是反应式的。它等待你的光标，预测，然后停止。智能体是主动的。你给它一个目标（"重构此模块以使用新的认证模式，运行测试，打开 PR"），它将目标分解为步骤，执行每一步，检查自己的工作，并报告结果。相同的底层模型都能做这两种事——区别在于工具如何封装它们。

让工具成为"代理式"的是一个循环：规划、行动、观察、决策。在每个回合，智能体选择一个工具（读取文件、写入文件、运行测试、搜索网络、询问你），执行它，查看结果，并决定下一步做什么。关闭一个工单需要六十次工具调用是正常的。

为什么一个模型无法适应所有请求

好的智能体不会将每个请求视为同一类问题。"修复这个拼写错误"与"审计认证层是否存在令牌泄露"形状不同。它们需要不同的模型、不同的工具和不同程度的谨慎。

Ava Supernova 通过七种模式来处理这个问题——思维状态，而非 UI 皮肤。每种模式都有不同的思维方式、不同的工具集，在许多情况下还有不同的专业角色在底层运行。

• 工作 —— 构建者思维，拥有超过 120 个的全套工具，编写代码并发布。
• 计划 —— 架构师思维，只读，触碰任何东西之前先思考。
• 聊天 —— 朋友思维，用于你大脑的非编码部分（记忆、日记、天气、新闻）。
• 教学 —— 导师思维，由五位专家构建课程、撰写内容、核实事实、出题测验并进行辅导。
• 安全 —— 审计思维，包含侦察、扫描、CVE 研究、验证和报告。
• 头脑风暴 —— 创意思维，由五位专家进行探索、调研、生成点子、提出质疑并打磨完善。

对智能体而言，“记忆”意味着什么

自动补全工具是无状态的——每个请求都从头开始。智能体需要记忆才能跨越数周甚至数月完成实质性工作。若无记忆，你每次会话都得重新解释项目。Ava 采用五层记忆机制（提取、反思、积累、分析、整合），沉淀关于你、你的项目、你的偏好以及你所提供反馈的关键信息。

如何开始具备智能体思维

如果你一直使用自动补全，并希望进阶到智能体式工作，关键转变不在于提示工程，而在于任务界定。与其说“写一个实现 X 功能的函数”，不如尝试“这里有一个目标和约束条件，请决定如何实现，若遇阻碍请告知我”。优秀的智能体能将其转化为具体计划，在浪费算力前暴露瓶颈，并随时间推移赢得你的信任。

随着智能体积累记忆，逐步建立信任的过程存在摩擦。初期它会频繁确认；随着你的反馈生效，它会减少询问。涉及高风险的操作永远不会“毕业”——智能体在执行破坏性操作前总会暂停。

智能体编程并非更大号的自动补全。它是与工具关系的重构——更像是队友而非键盘宏。率先掌握这一点的工具将重塑软件构建的方式。