AI Agent 编程工具

学习目标

完成本章学习后，你将能够：

理解 AI 核心概念：LLM、Token、Prompt、Context、Tools、MCP、Agent、Skill
掌握 Prompt 工程实战技巧，使用万能结构高效编写 Prompt
熟练使用 AI Agent 编程工具（OpenCode / Claude Code）
在项目实战中用 AI 辅助写代码、需求建模、调试排错

1. AI 核心概念

1.1 LLM（大语言模型）

定义：LLM（Large Language Model）是一种基于 Transformer 架构的深度学习模型，通过海量文本数据训练，能够理解和生成自然语言。

训练范式：
海量文本数据 → 预训练（Pre-training）→ 指令微调（SFT）→ 人类反馈强化学习（RLHF）

主流 LLM 产品：

模型	厂商	特点
GPT-4 / GPT-4o	OpenAI	多模态、推理能力强、生态最成熟
Claude 3.5 / 4	Anthropic	长上下文、安全性好、编程能力突出
DeepSeek V3 / R1	深度求索	开源、数学推理强、性价比高
通义千问 Qwen	阿里云	中英文双语优秀、开源系列丰富
GLM-4	智谱AI	中文理解出色、工具调用能力强

1.2 Token

定义：Token（词元）是 LLM 处理文本的最小单位。模型将输入文本拆分为 Token 序列后进行计算。

Token 拆分示例：

"Hello, 你好！"
→ ["Hello", ",", " 你", "好", "！"]
→ 5个 tokens

Token 计量规则：

英文：平均 1 个词 ≈ 1.3 tokens
中文：平均 1 个字 ≈ 1.5-2 tokens
空格、标点也计入

重要：LLM 的计费通常按 Token 计算，上下文窗口也以 Token 为单位限制（如 128K、200K tokens）。

1.3 Prompt（提示词）

定义：Prompt 是用户输入给 LLM 的指令文本，它直接决定了模型的输出质量和准确性。

Prompt 三要素：

指令（Instruction）  —— 明确告诉模型要做什么
上下文（Context）     —— 提供背景信息和参考资料
格式（Format）        —— 指定输出的格式要求

1.4 Context（上下文窗口）

定义：Context 指模型在一次对话中可以"看到"的全部内容，包括历史对话、系统提示、用户输入。窗口大小决定了一次能处理的信息量。

短期记忆：当前会话的全部输入（受 Token 限制）
长期记忆：通过 RAG（检索增强生成）或 Memory 机制实现

上下文窗口对比：

模型	上下文窗口
GPT-4 Turbo	128K tokens
Claude 3.5 Sonnet	200K tokens
DeepSeek V3	128K tokens
Gemini 1.5 Pro	1M tokens

1.5 Tools（工具）

定义：Tools 是 LLM 可以调用的外部能力，扩展了模型的功能边界。

json

// 工具定义示例（Function Calling）
{
  "name": "search_products",
  "description": "搜索商品",
  "parameters": {
    "type": "object",
    "properties": {
      "keyword": {"type": "string", "description": "搜索关键词"},
      "page": {"type": "integer", "description": "页码"}
    },
    "required": ["keyword"]
  }
}

常用工具类型：

搜索工具  → 实时信息检索
计算工具  → 数学运算
代码工具  → 执行代码并返回结果
数据库工具 → 查询数据、执行 SQL
文件工具  → 读写操作文件
API 工具  → 调用外部 API

1.6 MCP（Model Context Protocol）

定义：MCP（模型上下文协议）是 Anthropic 提出的一种开放协议，用于标准化 AI 应用与外部数据源、工具之间的交互方式。

┌──────────────────┐     MCP 协议     ┌──────────────────┐
│   AI 应用        │ ◄──────────────► │   MCP Server     │
│  (Claude Code)   │                  │  (工具/数据源)    │
└──────────────────┘                  └──────────────────┘
                                            │
                                   ┌────────┴────────┐
                                   │  本地文件系统      │
                                   │  数据库           │
                                   │  GitHub API       │
                                   │  自定义企业工具    │
                                   └─────────────────┘

MCP 的核心价值：

方面	说明
标准化	统一了 AI 工具接口规范，无需为每个工具单独适配
安全性	通过权限控制，限制 AI 可调用的资源和操作
可扩展	新增工具只需实现 MCP Server 接口即可
企业集成	可对接内部数据库、API、知识库等

1.7 Agent（智能体）

定义：Agent 是一个能够自主感知环境、制定计划、调用工具、完成多步骤任务的 AI 系统。

传统 LLM：
用户输入 → LLM → 文本输出

Agent：
用户目标 → LLM 理解 → 制定计划 → 调用工具 → 观察结果 → 调整计划 → 完成目标

Agent 的核心能力：

推理（Reasoning）—— 分解复杂任务，制定执行步骤
工具调用（Tool Use）—— 按需选择合适的工具
记忆（Memory）—— 短期（上下文）和长期（知识库）
自我反思（Self-reflection）—— 从错误中学习，调整策略

1.8 Skill（技能）

定义：Skill 是封装好的可复用 AI 能力单元，包含特定的 Prompt 模板、工具配置和执行逻辑。

Skill = System Prompt + Tools + Execution Logic

Skill 示例：

Skill 名称	功能	应用场景
代码审查	审查代码质量、安全性	PR 代码 Review
测试生成	自动生成单元测试	提高测试覆盖率
文档生成	生成 API 文档、README	项目文档维护
架构分析	分析项目架构	代码重构、技术债评估

2. Prompt 工程实战

2.1 万能 Prompt 结构

定义：Prompt 工程是研究和优化提示词的方法，让 LLM 稳定输出高质量结果。

┌─────────────────────────────────────────────┐
│  # 角色（Role）                             │
│  你是一位资深 Python 全栈开发工程师          │
├─────────────────────────────────────────────┤
│  # 任务（Task）                             │
│  请为以下需求编写 Django 序列化器代码         │
├─────────────────────────────────────────────┤
│  # 上下文（Context）                        │
│  模型定义如下：                              │
│  class Product(models.Model): ...           │
├─────────────────────────────────────────────┤
│  # 要求（Requirements）                     │
│  1. 使用 ModelSerializer                    │
│  2. 添加自定义校验逻辑                      │
│  3. 包含只读字段                            │
├─────────────────────────────────────────────┤
│  # 格式（Format）                           │
│  输出完整 Python 代码，含中文注释            │
└─────────────────────────────────────────────┘

2.2 实战模板

通用模板：

# 角色
你是一位[领域]专家，精通[技能]。

# 任务
请[具体任务描述]。

# 上下文
[背景信息、已有代码、数据等]

# 要求
1. [具体要求1]
2. [具体要求2]
3. [具体要求3]

# 格式
[输出格式要求：代码/文档/列表/JSON等]

代码生成增强模板：

# 角色
你是一位资深全栈工程师，精通 Vue3 + Django + TypeScript。

# 任务
实现用户注册接口，包含手机号验证码校验。

# 上下文
- Django版本：5.0
- DRF版本：3.15
- 使用 SimpleJWT 做 Token 认证
- 验证码存储在 Redis，有效期 5 分钟

# 要求
1. 提供完整的 views.py / serializers.py / urls.py
2. 手机号格式校验 + 验证码正确性验证
3. 密码使用 bcrypt 加密
4. 返回统一响应格式 { code, message, data }
5. 添加 CSRF 豁免

# 格式
按文件分块输出，每块标明文件名，含中文注释

2.3 Prompt 优化技巧

技巧	说明	示例
具体化	越具体越好，避免模糊描述	❌ "写一个接口" → ✅ "POST /api/v1/auth/register/ 用户注册接口"
少样本提示	给出 2-3 个示例	"类似以下格式：输入A→输出A'，输入B→输出B'"
思维链	让模型逐步推理	"让我们一步步思考：1）... 2）... 3）..."
角色赋予	设定专家角色	"你是一位有10年经验的Django架构师"
约束条件	明确禁止项	"不要使用 Flask，必须用 Django REST Framework"
正面指令	说"要做什么"而非"不要做什么"	✅ "输出 JSON 格式" ❌ "不要输出其他格式"

对比示例：

❌ 差 Prompt：
"帮我写个用户登录功能"

✅ 好 Prompt：
# 角色
你是一位 Django 全栈开发专家

# 任务
实现用户密码登录接口

# 上下文
- 使用 DRF + SimpleJWT
- User 模型包含 username、password、is_active
- 登录失败 5 次后锁定账号 30 分钟

# 要求
1. 返回 access_token 和 refresh_token
2. 记录最后登录时间
3. 账号锁定逻辑
4. 统一错误提示，不暴露具体字段

# 格式
输出完整 Python 代码，含日志记录

2.4 常见 Prompt 模式

1. 角色扮演模式：

你是一位代码审查专家，请审查以下代码：
[代码]
检查方向：
1. 安全性漏洞
2. 性能问题
3. 代码风格
4. 可维护性

2. 分步骤执行模式：

请按以下步骤完成：
步骤1：分析需求
步骤2：设计数据结构
步骤3：编写伪代码
步骤4：实现完整代码
步骤5：编写测试用例

每完成一步请等待我确认后再继续。

3. 反思与改进模式：

请生成代码，然后：
1. 自己审查刚才的代码，找出 3 个潜在问题
2. 针对每个问题给出改进方案
3. 输出最终优化后的代码

3. AI Agent 编程工具

3.1 OpenCode

定义：OpenCode 是一款开源 AI 编程助手，支持多种 LLM 后端（OpenAI、Claude、DeepSeek 等），可在终端中以 Agent 模式运行，具备读写文件、执行命令、代码理解等能力。

核心特性：

特性	说明
多模型支持	可切换 GPT-4o、Claude 3.5、DeepSeek 等
终端 Agent	直接在终端中与 AI 协作编程
文件操作	创建、读取、编辑、删除文件
命令执行	运行 Shell 命令、安装依赖、启动服务
代码理解	项目级代码索引与搜索

3.2 Claude Code

定义：Claude Code 是 Anthropic 提供的 AI 编程 Agent 工具，集成在终端中，能够理解整个代码库，执行多步骤编程任务。

核心能力：

项目理解 → 读取项目结构、分析代码依赖、理解架构
任务执行 → 编写代码、修改文件、运行测试、调试修复
工具调用 → 文件系统、Shell 命令、LSP 分析、Git 操作
自主规划 → 分解复杂任务，按步骤执行，自我修正

常用命令：

bash

# 启动 Claude Code
claude

# 指定任务启动
claude "为 order 模块添加单元测试"

# 在指定目录启动
claude --dir /path/to/project

# 允许文件写入（默认只读）
claude --allow-write

Claude Code vs 传统 IDE 补全：

传统 IDE 补全（如 GitHub Copilot）：
  逐行/逐函数补全 → 被动触发 → 局限于当前文件

AI Agent（如 Claude Code）：
  理解整个项目 → 主动规划 → 多文件操作 → 执行命令 → 修复错误

3.3 工具选择对比

工具	开源	模型支持	适用场景
Claude Code	❌	Claude 系列	大型项目开发、全栈开发
OpenCode	✅	多模型	自定义模型、隐私敏感项目
Cursor	部分	GPT-4o / Claude	IDE 集成体验好
GitHub Copilot	❌	OpenAI	代码补全、Chat 对话
Windsurf	❌	多模型	全栈 Agent 模式

4. 项目实战

4.1 AI 写代码

场景：生成 Vue3 商品列表页

# 指令示例
你是一位 Vue3 + TypeScript 前端开发专家。

请生成一个商品列表页面，功能要求：
1. 从 API 获取商品列表，支持分页
2. 左侧分类筛选树
3. 顶部搜索框（防抖搜索）
4. 排序：综合/价格/销量
5. 加载状态和空状态处理

技术约束：
- Composition API + <script setup>
- Pinia 管理状态
- Element Plus 组件库
- TypeScript 类型定义
- Axios 请求封装

AI 的典型输出结构：

1. 类型定义 types/product.ts
2. API 封装 api/product.ts
3. Pinia Store stores/product.ts
4. 页面组件 views/product/ListView.vue
5. 子组件 ProductFilter.vue / ProductCard.vue

4.2 需求建模

场景：设计订单系统的数据模型

# 指令示例
你是一位系统架构师。

我正在设计一个 B2C 电商平台的订单系统，请帮我：
1. 设计订单相关的数据库表结构（ER 图文字描述）
2. 列出每个字段的类型、约束、注释
3. 描述订单状态流转
4. 给出 Django Model 代码

业务规则：
- 一个订单包含多个商品
- 支持优惠券和满减活动
- 订单超时 30 分钟自动取消
- 支持部分退款
- 需记录订单操作日志

4.3 调试排错

场景：定位并修复 Django 性能问题

# 指令示例
这是我的 Django API 视图，响应时间超过 5 秒：
[粘贴代码]

请帮我：
1. 分析可能的性能瓶颈
2. 给出优化建议
3. 重写优化后的代码

上下文：
- 商品表 10 万条数据
- 使用 MySQL 数据库
- 部署在 4 核 8G 服务器

AI 可能指出的问题：

问题	优化方案
N+1 查询	添加 `select_related` / `prefetch_related`
缺少索引	为常用查询字段添加数据库索引
全表扫描	添加分页限制，使用游标分页
序列化开销大	只返回需要的字段，使用 `only()`
缓存缺失	为热门数据添加 Redis 缓存

4.4 AI 辅助工作流

┌──────────────────── 项目开发全流程 ────────────────────┐
│                                                         │
│  ？ 需求分析                                              │
│     AI：分析 PRD，提取功能点，生成用户故事               │
│                                                         │
│  🎨 原型设计                                             │
│     AI：根据功能描述生成 UI 组件和页面结构               │
│                                                         │
│  🏗️ 系统设计                                            │
│     AI：设计数据模型、接口规范、目录结构                │
│                                                         │
│  💻 编码实现                                             │
│     AI：批量生成 CRUD 代码、编写单元测试                │
│                                                         │
│  🐛 调试优化                                             │
│     AI：分析错误日志、定位 Bug、性能优化建议            │
│                                                         │
│  📦 部署运维                                             │
│     AI：生成 Dockerfile、Nginx 配置、部署脚本           │
│                                                         │
└─────────────────────────────────────────────────────────┘

4.5 最佳实践

与 AI Agent 高效协作的技巧：

明确目标：每次对话只聚焦一个清晰的任务，不要频繁切换上下文
提供上下文：粘贴相关代码、错误信息、项目结构，帮助 AI 理解全貌
迭代改进：先让 AI 生成基础版本，再逐步提出优化要求
验证输出：AI 生成的代码必须经过审查和测试，不要盲目信任
维护记忆：使用项目的 Memory / 文档功能，让 AI 记住项目约定和偏好

安全提醒：

⚠️ 不要向 AI 发送敏感信息（密码、密钥、Token）
⚠️ AI 生成的代码需进行安全审查（SQL注入、XSS、CSRF）
⚠️ 敏感操作（数据库变更、生产部署）必须人工确认

小结

知识回顾

AI 核心概念：LLM → Token → Prompt → Context → Tools → MCP → Agent → Skill，构成了 AI 编程的完整知识体系
Prompt 工程：万能结构（角色+任务+上下文+要求+格式）+ 优化技巧（具体化、少样本、思维链）
AI Agent 工具：Claude Code（深度项目理解）、OpenCode（开源多模型）等工具正改变编程方式
项目实战：AI 可辅助写代码、需求建模、调试排错，贯穿全栈开发全流程

练习与思考

Prompt 练习：使用万能 Prompt 结构，写一个"生成 Django 商品模型及其序列化器"的 Prompt，并实际测试输出质量
AI 辅助开发：尝试用 Claude Code 或 OpenCode 完成一个简单的 CRUD 功能（如：用户地址管理），记录 AI 的表现和你的修正过程
调试实战：找一个你之前项目中的 Bug，用 AI 工具帮助分析和修复，对比 AI 方案和你自己方案的区别
反思题：AI 编程工具会取代程序员吗？谈谈你认为 AI 时代程序员应该重点培养哪些能力

AI Agent 编程工具 ​

学习目标 ​

1. AI 核心概念 ​

1.1 LLM（大语言模型） ​

1.2 Token ​

1.3 Prompt（提示词） ​

1.4 Context（上下文窗口） ​

1.5 Tools（工具） ​

1.6 MCP（Model Context Protocol） ​

1.7 Agent（智能体） ​

1.8 Skill（技能） ​

2. Prompt 工程实战 ​

2.1 万能 Prompt 结构 ​

2.2 实战模板 ​

2.3 Prompt 优化技巧 ​

2.4 常见 Prompt 模式 ​

3. AI Agent 编程工具 ​

3.1 OpenCode ​

3.2 Claude Code ​

3.3 工具选择对比 ​

4. 项目实战 ​

4.1 AI 写代码 ​

4.2 需求建模 ​

4.3 调试排错 ​

4.4 AI 辅助工作流 ​

4.5 最佳实践 ​

小结 ​

知识回顾 ​

练习与思考 ​