企业官网建设流程全解析

从 GitHub Copilot 到 Claude Code，再到新一代 Long-Horizon Coding Agent，AI 编程助手正在经历一次深刻的范式变化：它正在从“帮助程序员写代码”，逐渐演变为“自主完成软件工程任务”。

引言：Coding Agent 正在改变软件开发模式

过去十几年，软件开发工具的演进主要围绕一个目标：

让程序员写代码更快。

例如：

• IDE 自动补全

• Code snippet

• 静态分析

• 重构工具

• AI 代码补全

但是随着大语言模型（LLM）和 Agent 技术的发展，目标正在发生变化：

以前：

程序员 | | 写需求 | ↓ 自己设计 自己编码 自己调试 自己测试

现在：

程序员 | | 提出目标 | ↓ AI Coding Agent 理解需求 分析代码 修改文件 运行测试 发现问题 修复问题 提交结果

Coding Agent 的核心问题已经从：

“AI 能不能生成代码？”

变成：

“AI 能不能像一个软件工程师一样完成任务？”

围绕这个目标，Coding Agent 大致经历了四个阶段。

第一阶段：Code Completion —— AI 是一个智能补全工具

代表产品

• GitHub Copilot

• Tabnine

• Amazon CodeWhisperer

时间：

约 2021 ～ 2023

核心能力

这个阶段的 AI 主要解决：

帮程序员少写一些代码。

典型场景：

程序员输入：

public class UserService { public User findUserById(

AI 自动补全：

Long id ) { return userRepository.findById(id); }

架构非常简单：

Developer | | ↓ Prompt | ↓ LLM | ↓ Code Suggestion

AI：

• 不理解整个项目

• 不主动执行任务

• 不修改多个文件

• 不运行测试

它更像：

一个非常聪明的自动补全插件。

这个阶段的限制

例如：

用户：

把订单系统增加一个退款功能。

Code Completion：

只能回答：

“这里可能需要增加一个 RefundService。”

但是它不知道：

• OrderService在哪里？

• 数据库怎么设计？

• 哪些 API 需要修改？

• 测试在哪里？

第二阶段：Chat Coding —— AI 开始理解代码上下文

代表产品

• Cursor

• GitHub Copilot Chat

• JetBrains AI Assistant

时间：

约 2023 ～ 2024

这是一个重要转折。

AI 不再只是补代码，而是开始：

理解开发者正在工作的代码库。

典型交互：

用户：

Explain this authentication flow.

AI：

LoginController | ↓ AuthenticationService | ↓ JWTProvider | ↓ UserRepository

它可以：

• 阅读文件

• 解释代码

• 修改代码片段

• 根据上下文生成代码

架构：

Codebase | ↓ Context Retrieval | ↓ LLM | ↓ Code Modification

这里出现了几个重要技术：

1. Code Index

例如：

• embedding

• semantic search

• symbol index

2. Repository Context

AI 开始知道：

src/ ├── controller ├── service ├── repository └── model

但是它仍然需要人控制

例如：

用户：

修改用户登录逻辑。

AI：

修改 UserController.java 是否继续？

开发者：

Yes

AI：

修改 AuthenticationService.java 是否继续？

它仍然像：

一个非常聪明的代码顾问。

第三阶段：Agentic Coding —— AI 成为可以行动的 Coding Agent

代表产品

• Claude Code

• Cursor Agent

• OpenAI Codex Agent

• Devin

时间：

约 2024 ～ 2025

这是 Coding Agent 最大的一次变化。

核心变化：

AI 不只是生成代码，而是拥有执行能力。

以前：

User | ↓ LLM | ↓ Answer

现在：

User Request | ↓ Coding Agent | | ┌────┼────┐ ↓ ↓ ↓ Read Edit Run File Code Test | ↓ Result

Agent 可以调用工具：

例如：

文件工具

read_file() write_file() search()

Shell 工具

mvn test npm install pytest

Git 工具

git diff git commit

于是任务变成：

用户：

修复这个 Bug。

Agent：

1. Search error message 2. Find related code 3. Analyze call chain 4. Modify code 5. Run test 6. Test failed 7. Analyze error 8. Modify again 9. Test passed

这时 AI 已经从：

Code Generator

变成：

Task Executor

第四阶段：Long-Horizon Software Engineering —— AI 自主完成软件工程任务

代表方向

• Claude Opus 5

• 下一代 Claude Code

• 新一代 Coding Agent

这是未来最重要的发展方向。

核心区别：

以前：

完成一个代码修改。

现在：

完成一个工程目标。

例如：

需求：

把整个 Java 项目从 Spring Boot 2 升级到 Spring Boot 3。

传统 AI：

修改 pom.xml 结束。

Long-Horizon Agent：

Analyze project ↓ Understand dependencies ↓ Find deprecated APIs ↓ Modify pom.xml ↓ Update Java code ↓ Compile ↓ Fix compilation errors ↓ Run tests ↓ Fix failed tests ↓ Review changes ↓ Generate migration report

这一阶段最大的变化

不是：

写代码能力更强。

而是：

完成任务的能力更强。

评价指标也发生变化。

过去：

Code Generation Accuracy

现在：

Task Completion Rate + Time To Completion + Human Intervention Required

Coding Agent 的核心架构变化

四个阶段对应架构：

Stage 1

LLM | Code Suggestion

Stage 2

LLM | Context Retrieval | Code Editing

Stage 3

Agent | ┌──────────┼──────────┐ ↓ ↓ ↓ Search Edit Execute | Codebase

Stage 4

Autonomous Agent | ┌────────────┼────────────┐ ↓ ↓ ↓ RAG LSP Tools ↓ ↓ ↓ Understand Navigate Execute ↓ Planning ↓ Coding ↓ Build/Test ↓ Self Verification ↓ Root Cause Analysis ↓ Iterate

为什么 Opus 5 代表第四阶段？

新一代模型的重要提升不是：

写代码更快。

而是：

更能够长期执行复杂任务。

例如：

• 理解大型代码库

• 制定修改计划

• 使用工具

• 验证结果

• 找根因

• 多轮迭代

这使得 Coding Agent 更接近：

Software Engineer

而不是：

Code Generator

未来：软件工程师和 Coding Agent 的关系

未来的软件开发可能变成：

Developer 负责： - 需求理解 - 架构设计 - 技术决策 - Code Review + Coding Agent 负责： - Code Exploration - Implementation - Testing - Debugging - Refactoring

最终目标：

不是：

AI 替代程序员写代码。

而是：

AI 成为一个可以协作的软件工程伙伴。

总结

Coding Agent 的发展可以总结为四个时代：

整个演进路线：

Code Suggestion ↓ Code Understanding ↓ Task Execution ↓ Autonomous Software Engineering

未来 Coding Agent 的竞争，不只是模型能力的竞争，而是：

模型 + 工具 + 上下文 + 验证机制 + 工程环境的综合能力竞争。

这也是为什么未来 LSP、Code Graph、RAG、Memory、MCP、Agent Skills、Harness Engineering 会成为 Coding Agent 的关键基础设施。