Agentic Coding

Agentic Coding（智能体编程）是指 AI Agent 在人类指导下自主完成编码任务的新范式。它超越了传统的代码补全，使 AI 能够理解需求、规划方案、编写代码、运行测试并进行迭代修改。Agentic Coding 是 topics/ai-agents 在软件开发领域的具体落地。

从代码补全到自主编程

AI 辅助编程经历了三个阶段：代码补全（Copilot 式的行级建议）$\rightarrow$ 对话式编程（Chat 模式，人类描述需求、AI 生成代码片段）$\rightarrow$ Agentic Coding（AI 拥有文件系统读写、终端执行、代码搜索等工具权限，在人类监督下自主完成多文件、多步骤的编码任务）。关键跃迁在于 Agent 获得了"动手能力"——不再只是建议，而是直接操作代码库。

核心工作流

典型的 Agentic Coding 工作流包括五个阶段：理解需求（读取相关代码、文档、项目结构）$\rightarrow$ 规划方案（分析修改范围、确定实施步骤）$\rightarrow$ 编码实现（跨多文件编写和修改代码）$\rightarrow$ 测试验证（运行测试套件、检查编译错误）$\rightarrow$ 迭代修正（根据测试结果或人类反馈调整代码）。每个阶段 Agent 都可以利用 concepts/function-calling 调用工具获取信息或执行操作。

主要工具

• Claude Code：entities/claude 的命令行 Agent，具备文件读写、终端执行、Git 操作和代码搜索能力，支持复杂的跨文件重构任务
• Cursor：AI-native IDE，集成了代码理解、多文件编辑和终端操作，提供 Agent 模式和 Chat 模式
• GitHub Copilot：从代码补全进化到 Workspace 级别的任务规划和执行
• Devin：Cognition 推出的全自主 AI 软件工程师，能独立完成完整的开发任务

对软件开发的影响

Agentic Coding 正在改变开发者的工作方式：从逐行编写代码转向审查和指导 AI 的输出。开发者需要培养新技能——精确描述需求、有效审查 AI 生成的代码、设计适合 Agent 理解的项目结构。它也推动了项目规范文件（如本项目的 CLAUDE.md）的流行，这些文件帮助 AI 快速理解项目上下文和约束。

局限与挑战

当前 Agentic Coding 仍有明确局限：对复杂架构决策的判断力不足、长链条任务中容易累积错误、对隐含业务逻辑的理解有限。最佳实践是让 Agent 处理定义明确、边界清晰的任务，而将架构设计和关键决策留给人类。

相关页面

• topics/ai-agents：Agentic Coding 的理论基础
• entities/claude：Claude Code 是 Agentic Coding 的代表性工具
• concepts/prompt-engineering：有效指导 Agent 的 prompt 技巧