从 Claude Code 看 AI 编程 Agent 的演进

作者: KongXH
Icon发表于2026.08.03
Icon更新于2026.08.03
Icon访问量:
IconAI
Icon

写在前面

去年 3 月开始用 Cursor 之后，我以为 AI 编程的终极形态就是「对话框里描述需求，AI 直接改文件、跑命令、解释变更」。直到今年 6 月入职实习第一天，组长问我们有没有用过 AI 编程工具，我说在用 Cursor。组里建议说，做这个项目的话 Claude Code 和 Codex 会更合适一些。

我一开始是有些犹豫的。Cursor 用得顺手，插件生态也熟悉，换工具意味着重新适应交互、重新配置 API、重新调提示词。但两个月下来，我大概理解了组里的意图：Cursor 是「对话式编程」的代表，而 Claude Code 和 Codex 正在把编程工具推向「Agent 式编程」。

这篇博客重点讲我看到的演进脉络。个人使用心得会放在下一篇。

AI 编程 Agent 的三阶段演进

这两个月我回头想了一下，AI 编程工具大概经历了三个阶段。

第一阶段：代码补全

代表工具：GitHub Copilot、通义灵码、IDE 自带补全。

这个阶段的核心是预测你下一行要写什么。它感知光标位置、已有代码、注释内容，然后生成一行或多行代码。你写注释，它补实现；你写函数名，它补函数体。

我第一次用通义灵码的时候挺震撼的，因为那种感觉不是「工具在帮我」，而是「工具懂我」。但后来发现，它的能力边界很清楚：只能补局部代码，不能理解项目级目标。

第二阶段：对话式编程

代表工具：Cursor、GitHub Copilot Chat。

Cursor 把 AI 放到一个侧边栏对话框里，你可以用自然语言描述需求，AI 会：

  • 修改多个文件；
  • 解释代码；
  • 运行终端命令；
  • 通过 @ 引用代码库、文档、网页，扩展上下文。

这比补全强了一个维度。你可以说「帮我把这个接口改成 RESTful 风格」，AI 会主动改好几个文件。但它仍然更像一个超级编辑器，需要你一步步指挥，每次对话基本上是一个独立的「任务回合」。

第三阶段：Agent 式编程

代表工具：Claude Code、Codex、OpenAI Agents SDK。

Agent 式编程的关键变化是：AI 开始主动规划、执行、验证，并在多个步骤之间保持状态。

不是你说一句它做一步，而是你说一个目标，它会自己拆成子任务、调用工具、检查中间结果、遇到错误自己重试。Claude Code 里的 /plan、/loop、/workflows 都是这种能力的体现。

打个不太准确的比方：

  • Copilot 是「自动铅笔」，帮你写得更快；
  • Cursor 是「语音控制的编辑器」，你说它改；
  • Claude Code 是「初级程序员实习生」，你布置任务，它自己琢磨怎么做，中间会来问你拿不准的地方。

Claude Code 的核心能力解析

下面具体聊聊 Claude Code 里几个代表 Agent 化方向的功能。

/plan：先规划，再动手

/plan 会让 Claude Code 进入计划模式。你先描述目标，它不会立刻改代码，而是先给你一个执行计划，等你确认后再动手。

这个功能看起来很轻，但非常关键。因为 Agent 一旦开始自动执行，很容易跑偏。/plan 相当于在执行前加了一个「对齐意图」的环节。

我在实习中有一次要改一个老旧模块的接口签名，涉及五六处调用点。我先用了 /plan，Claude Code 列出了：

  1. 查找所有调用该接口的位置；
  2. 修改接口定义；
  3. 修改调用方参数；
  4. 检查是否有遗漏的单元测试；
  5. 运行测试验证。

确认后它才执行。虽然最后第三步还是漏了一处调用，但整个流程比直接让它改要可控得多。

/loop 与 /schedule：让 Agent 自己跑腿

/loop 可以让 Claude Code 周期性执行某个任务，比如每隔一段时间检查 PR 状态、扫描安全漏洞、监控日志。

/schedule 类似，用于定时任务。

我目前用的不多，但能感觉到这是 Agent 从「会话内工具」走向「后台自动化工具」的标志。以前 AI 是你喊它才动，现在它可以自己盯着某些事情跑。

/workflows：多 Agent 并行

/workflows 是 Claude Code 2026 年比较新的能力，可以编排多个后台 Agent 并行处理复杂任务。

比如我要做一次中等规模的代码重构，理论上可以让一个 Agent 负责改接口、一个负责改调用方、一个负责补测试、一个负责跑验证。主 Agent 负责协调，子 Agent 负责各自模块。

这个功能目前我在实际工作中只用过一两次，原因是：多 Agent 并行的前提是任务边界足够清晰。如果目标本身就含糊，多个 Agent 各自跑很容易互相冲突。它更适合「目标明确、可拆分、可独立验证」的任务。

MCP 连接器：统一协议层的出现

MCP（Model Context Protocol）是 Anthropic 推的协议，让 AI 能用统一方式调用外部工具和数据源。Claude Code 2026 年加强了 MCP 支持，Artifact 发布后可以调用 MCP 获取实时数据。

我在本地接了一个查询公司内部文档的 MCP Server，效果还可以。但要注意的是，MCP 解决的是「连接问题」，不是「安全问题」。生产环境里必须做权限控制和审计，不能让 AI 无限制访问敏感数据。

Auto mode：把权限判断交给分类器

Auto mode 会让 Claude Code 自动放行低风险操作，比如读文件、运行测试，只有高风险操作才会征求你同意。

这个模式用久了会有一种「AI 在替我上班」的错觉。但错觉就是错觉，自动执行意味着自动犯错。我一般会先在一个小范围任务里开 Auto mode，确认它不会乱来之后，才在更大范围使用。

Computer Use：AI 开始操作电脑

Claude Code 的 Computer Use 还在研究预览阶段，可以让 AI 控制 macOS 桌面应用、浏览器、文件管理器。

我没怎么用过，因为第三方 API 接入对这个功能支持有限。但从趋势上看，这是 Agent 从「代码世界」走向「操作系统世界」的重要一步。

协议层三足鼎立：MCP、A2A、ACP

Agent 要真正协作，光有单个工具的能力不够，还需要协议层。2026 年可以看到三个协议在各自定位上逐渐形成分工：

协议 主导方 解决的问题 角色定位
MCP Anthropic AI 如何读取数据、使用工具 AI ↔ 工具/数据
A2A Google AI Agent 之间如何通信协作 AI ↔ AI
ACP IBM 跨框架 Agent 的标准消息传递 不同框架 Agent 间协调

MCP 解决的是「AI 怎么连外部世界」，A2A 解决的是「AI 之间怎么对话」，ACP 解决的是「不同框架的 AI 怎么协同」。三者合起来，构成了多智能体协作的互联互通基础设施。

对普通开发者来说，目前最值得关注的还是 MCP。因为它直接关系到：你的 AI 能不能读数据库、查文档、调用内部 API、操作文件系统。

未来展望：Agent 不是替代，是放大

从 Cursor 到 Claude Code，我看到 AI 编程工具正在从「帮你写代码」走向「替你执行开发任务」。这个变化很 exciting，也很让人警惕。

兴奋的是，很多繁琐的、重复性的工作真的可以交给 Agent 去做；警惕的是，如果人放松了对目标和质量的把控，Agent 可能会以更高的效率制造更大的混乱。

下一步我关注几个方向：

  1. 多 Agent 协作的落地场景：目前 /workflows 还偏实验，什么场景真正适合多 Agent 并行，还需要更多实践。
  2. MCP 生态的成熟：更多工具和数据源接入 MCP，AI 的能力边界会进一步扩展。
  3. 国产模型的 Agent 化：Kimi、GLM、DeepSeek 这些模型在代码和长文本上进步很快，未来可能会出现本土化的 AI 编程 Agent 工作流。

工具在演进，但核心判断不变：Agent 是放大器，不是替代品。它放大的是人的意图和执行能力，前提是人对目标、架构和风险有足够清晰的认识。

下一篇我会具体写这两个月的实习心得，包括第三方 API 接入、Kimi/GLM/DeepSeek 的搭配，以及 Cursor、Claude Code、Codex 的实际选择。