手搓一个自主 AI 编程 Agent：180 行核心循环 + 7 个工具 + 100 万上下文实战指南

最近 AI 编程助手火得一塌糊涂，从 Cursor 到 Windsurf，各种工具层出不穷。但作为一名技术爱好者，你有没有想过：我自己能不能手搓一个 AI Agent 来帮我写代码？

答案是肯定的！今天我们就来聊聊如何在 CNB 环境下，利用 WorkBuddy 框架，从零开始构建一个属于你自己的自主 AI 编程 Agent。别被“自主”两个字吓到，其实核心逻辑只需要 180 行代码，配合 7 个强大的工具，再加上深不见底的 100 万 token 上下文，你也能打造出一个得力的编程小助手。

为什么我们需要“自主”Agent？

自主 AI Agent 的核心工作循环：接收任务、思考决策、工具调用与反馈，直到自动终止。

传统的 Copilot 类工具更像是“自动补全”，你写一句它补一句。而我们要做的这个 Agent，目标是自主性。

给它一个模糊的任务，比如“帮我写一个爬虫抓取某资讯热门帖”，它能够自主拆解任务：搜索相关库 -> 选择技术栈 -> 编写代码 -> 调试运行 -> 修复 Bug。这种“闭环”能力，才是 Agent 的核心魅力。

准备工作：CNB 环境与 WorkBuddy

在开始写代码之前，我们需要一个强大的运行环境。CNB（Cloud Native Buildpacks）提供了极其灵活的容器化环境，非常适合部署这种复杂的 AI 应用。

环境配置

首先，确保你在 CNB 上已经搭建好基础环境。WorkBuddy 是一个轻量级的多 Agent 框架，它负责协调 AI 模型与各种工具之间的交互。

推荐搭配：

• 模型选择：为了支持复杂的逻辑推理和长上下文，建议使用支持 100K+ 上下文的模型（如 Claude 3.5 Sonnet 或 GPT-4o Turbo 的长上下文版本）。本次实战直接挑战 100 万上下文，这意味着 Agent 可以“记住”整个项目的所有代码，不用担心上下文溢出。
• 依赖安装：通常是 Python 环境，安装 WorkBuddy SDK 以及必要的解析库。

核心架构：180 行的灵魂循环

构建 Agent 必备的 7 个基础工具，覆盖了从文件操作、命令执行到代码检索的开发全流程。

很多复杂的 Agent 系统动不动几千行代码，让人望而却步。但实际上，一个具备基本逻辑判断能力的 Agent，其核心循环（The Loop）非常精简。

我们将这 180 行代码拆解为以下几个关键步骤：

1. 任务接收与解析

Agent 启动后，首先接收用户的自然语言指令。我们需要一个 Prompt 模板，告诉 AI 它的角色、目标以及工具的使用限制。

# 伪代码示例
system_prompt = """
你是一个高级开发工程师。你的目标是完成用户的编程任务。
你可以使用以下工具：write_file, read_file, execute_command, search_web...
请思考每一步操作，直到任务完成。
"""
messages = [{"role": "system", "content": system_prompt}]

2. 思考与决策

这是 Agent 的大脑。AI 会根据当前的状态，决定下一步该做什么。

• 思考：分析当前文件内容，对比用户需求。
• 决策：是读取新文件？是写入代码？还是运行测试？

3. 工具调用与反馈

有了决策后，Agent 会调用具体的工具函数。注意，这里不能直接让 AI 执行代码，而是要通过函数调用的方式。

例如，Agent 决定“读取 main.py”，系统会拦截这个意图，执行 cat main.py，然后把结果喂回给 AI。AI 看到内容后，再决定下一步。

4. 自动终止条件

为了避免 Agent 陷入死循环（比如无限修 Bug），必须设定终止条件：

• 成功完成任务。
• 达到最大迭代次数（比如 10 步）。
• 用户强制中断。

武器库：必须掌握的 7 个工具

俗话说“巧妇难为无米之炊”，Agent 再聪明，没有工具也干不了活。在 WorkBuddy 中，我们为 Agent 配备了 7 个基础工具，覆盖了开发流程的方方面面。

1. 文件操作

这是最基础的能力。代码的增删改查都离不开它。

2. 命令行执行

真正的编程离不开终端。Agent 需要执行 npm install、python main.py、git status 等命令。

安全提示：在生产环境中，务必对命令执行做沙箱隔离，防止 Agent 删库跑路（例如 rm -rf /）。

3. 代码检索

在 100 万上下文的加持下，Agent 理论上可以把整个项目“记住”。但在实际操作中，通过语义检索快速定位相关代码片段效率更高。这个工具帮助 Agent 在海量代码中“大海捞针”。

4. 浏览器/文档搜索

遇到不会用的 API 怎么办？Agent 需要具备自行查阅 StackOverflow 或官方文档的能力。给它一个搜索工具，让它自己找答案，而不是把所有错误都抛给你。

5. LLM 模型推理

有时候 Agent 需要分步思考，比如先写伪代码，再生成具体实现。这个工具允许 Agent 内部进行自我反思和重构。

6. 语法校验

在运行代码前，先进行静态检查，可以节省大量时间。确保代码没有明显的语法错误再启动测试。

7. 自我测试与修复

这是一个高级工具，它能根据报错信息自动分析原因，并尝试修改代码直到测试通过。

实战演练：利用 100 万上下文的优势

很多人觉得 100 万上下文是噱头，但在构建 Agent 时，这简直是神技。

场景一：全项目重构

假设你的项目有 1000 个文件。传统的 RAG 方案可能会遗漏关键逻辑，导致重构改一处崩一处。有了 100 万窗口，你可以简单粗暴地把核心几百个文件全部丢进去，Agent 对项目结构了如指掌，重构时会考虑到所有依赖关系。

场景二：复杂 Bug 追踪

Bug 往往是由于多文件交互产生的。通过长上下文，Agent 可以一次性拉取 A、B、C 三个模块的代码，在同一个对话窗口中完整复现数据流向，从而精准定位问题。

总结与下一步

通过 CNB + WorkBuddy，我们仅用 180 行核心代码就构建了一个具备自主编程能力的 Agent。它的核心在于：循环感知 + 工具调用 + 长上下文记忆。

当然，这只是一个最小可行性产品（MVP）。如果你想进一步优化，可以尝试以下几个方向：

1. 增加记忆模块：使用向量数据库存储历史经验，让 Agent 越用越聪明。
2. 多 Agent 协作：一个 Agent 负责写代码，另一个负责写测试，第三个负责 Code Review。
3. 人机交互优化：增加确认机制，防止 Agent “自作主张”搞破坏。

技术日新月异，自己动手不仅能理解原理，还能根据需求随意魔改。赶紧去试试吧，打造你的专属 AI 程序员！