说实话,第一次听到“开发者不用写代码”这个说法时,我第一反应是嗤之以鼻。干这行十几年,从汇编写到 Python,从单体架构拆到微服务,哪一次“革命性工具”不是嘴上说得天花乱坠,上手之后发现该加班还是加班?直到我自己搭了一套 AI 代理工厂,把手里几个重复度极高的业务需求丢进去跑了一周,看着它自己拆任务、改代码、跑测试、提合并请求,我才意识到这次可能真的不一样了。
这篇文章不聊概念,就聊我实操搭建 AI 代理工厂的过程。我会把工厂里的角色划分、工具底座、完整的产线配置、真实项目的测评数据、以及踩过的五个大坑全部摊开讲。如果你目前一个人维护两三个系统,或者在一个小团队里整天被零散需求淹没,这篇文章能帮你省下大量重复劳动。
1. 从“补全代码”到“交付任务”:Agent 编程到底改变了什么
1.1 你还在用 AI 补全,别人已经在用 AI 交付
我用过很长一段时间的 AI 辅助编程工具,说实话,那种体验更像是“高级版的自动补全”。我写一个函数头,它帮我把函数体猜个大概;我写一个正则,它帮我补边界情况。确实省了不少打字时间,但整个开发流程的核心——理解需求、拆解任务、设计数据模型、写测试、排查失败——还是压在我自己身上。
但 AI 代理完全不是同一个物种。它不再等你在文件里敲出代码才接话,而是接收一个完整的任务描述,然后自己去翻代码库、定位相关文件、生成多个文件的修改方案、执行测试命令、查看失败日志再迭代修复。整个过程是“任务驱动”的,你验收的是结果,而不是每一行代码。
我举个例子你就明白了。以前我接到一个需求:把用户模块的密码重置逻辑从“发送临时密码”改成“发送重置链接”。我自己动手,从梳理接口到改测试,差不多要两个下午。现在我只要把需求描述清楚丢给代理工厂,它会自己找到 user_service.py、auth_controller.py、email_template.html 这三个文件,把校验逻辑改掉,更新接口文档,跑一遍单测,然后把一个合并请求草稿推给我。我只需要看 diff、补几个边界条件的注释,就能点合并。这就是本质区别:从“写代码”变成了“验收任务”。
1.2 代理工厂里的三个角色:规划者、执行者、审查者
搭建代理工厂之前,我建议大家先建立一个认知:不要把代理当成一个无所不能的超级程序员,而是要把它当成一支小型研发团队。我的工厂里固定设了三个角色:
- 规划代理(Planner):负责把模糊的需求变成可执行的开发计划。它会先读代码库,找出需要改动的文件清单、风险点、涉及的外部依赖,然后输出一份任务拆解方案。
- 编码代理(Coder):根据规划方案实际写代码。它工作在具体项目目录里,写代码、跑测试、根据报错修 bug。
- 审查代理(Reviewer):负责对编码代理的输出做 code review。它检查代码风格、潜在 bug、安全漏洞,还会模拟用户场景做一轮自测。
这三个角色对应到真实团队里,其实就是技术组长、开发工程师、代码审查人。角色分开之后,每个代理的系统提示词可以做得非常聚焦,不会出现“又要写代码又要自己审查自己”导致的盲区。我强烈建议不要只用单个代理干活,因为单个代理很容易出现“自己写出来的 bug 自己看不出来”的问题,跟人一样,需要外部视角。至于三个角色之间的衔接,我下面会讲具体的配置方法。
1.3 为什么叫“工厂”而不是“工具箱”
我一直强调“工厂”这个概念,是因为它和工具箱有本质区别。工具箱的意思是:你需要哪个工具,就手动调起哪个。而工厂的核心是流水线:任务从一端进去,经过拆解、编码、测试、审查、输出,自动流转。
这个区别在真实使用中特别明显。工具箱模式下,我要自己把需求拆成一个一个小的编码请求,再逐个丢给 AI 去执行;工厂模式下,我只需要输入一条需求描述,剩下的拆解和排期全部由规划代理完成,编码代理和审查代理会自动接力。尤其是需求一多的时候,工厂模式的批量处理能力会把你从“人肉调度员”的角色里解放出来。
我在本地搭工厂的时候,给每个角色挂了不同的模型配置和工具权限。规划代理用的是推理能力更强的大模型,给的权限比较保守,只能读代码、不能写;编码代理可
