定义

AI Agent（智能体）是以大语言模型（LLM）作为推理引擎，结合工具调用能力和自主决策机制，能够完成复杂任务的软件系统。与传统聊天机器人不同，AI Agent 不仅回答问题，还能主动规划步骤、调用外部工具、根据反馈调整策略，最终达成目标。

Andrej Karpathy 将当前阶段概括为 "vibe coding" 时代——人类提供意图，AI Agent 负责执行。这一范式的核心正是 Agent 架构。

核心组件

一个典型的 AI Agent 系统包含四个关键模块：

• 规划（Planning）：将复杂目标拆解为可执行的子任务序列。常见策略包括 Chain-of-Thought、Tree-of-Thought 和 LATS（Language Agent Tree Search）。
• 记忆（Memory）：分为短期记忆（上下文窗口内的对话历史）和长期记忆（向量数据库、知识库等持久化存储）。记忆机制使 Agent 能够在多轮交互中保持连贯性。
• 工具（Tools）：Agent 通过 Function Calling 调用外部工具——搜索引擎、代码执行器、文件系统、API 接口等。工具扩展了 LLM 的能力边界，使其不再局限于文本生成。
• 行动（Action）：将规划结果转化为具体操作，执行后收集反馈，驱动下一轮决策循环。

DevOps 是一种融合开发（Development）和运维（Operations）的文化与实践，旨在通过自动化和持续反馈加速软件交付，同时提升系统可靠性和团队协作效率。

CI/CD 流水线

持续集成（CI）要求开发者频繁将代码合并到主分支，每次合并触发自动化构建和测试。持续交付/部署（CD）将通过测试的变更自动发布到生产环境。GitHub Actions、GitLab CI 和 Jenkins 是主流的 CI/CD 工具。

容器化与编排

Docker 通过容器技术将应用及其依赖打包为标准化单元，消除了"在我的机器上能运行"的问题。Kubernetes 作为容器编排平台，管理容器的部署、扩缩和故障恢复，已成为云原生基础设施的事实标准。

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。