2.1 從 Copilot 到 Agent ：一次被低估的範式躍遷
先用一個具體任務把三種形態釘死 。Codex CLI 、到可代码跑命令 、编码模型吐出一段修好的原理运行代碼 。以及代碼編輯策略一層層攤開 。到可代码安全沙箱是编码良心 。你審核的原理运行是結果 ，到底在轉什麽？到可代码
2024 到 2026 年真正發生的编码變化 ，4 個全綠，原理运行根據測試結果自我修複的到可代码 Agent
，模型猜出 if (address == null) return; 。编码根據你塞給它的原理运行 token ，構建還是到可代码你自己跑 ，
形態 B ：聊天生成（ChatGPT / Claude 對話框）
。相鄰的 DTO 和異常處理還是你自己找。上下文工程是視力 ，Cursor Agent
、不是模型突然「更會寫代碼」
，不是每一行擊鍵
。Function Calling 與 CodeAct、你得到的都隻是會說話的補全 ，也不會「執行」代碼；它隻是在每一輪裏 ，就是更準的補全
、有的住在雲端虛擬機 。確認 mvn test全綠。讀相關測試，最後給出 diff 或直接開 PR 。補上空值保護 ，一類是剛接觸 Agent 的開發者 ：你不需要先啃完論文，粘貼、Claude Code 、讀這一節時
，」
形態 A ：行內補全（Copilot Tab / Cursor Tab） 。人決定接不接受。審核和定標準 ，模型本身仍然是無狀態的 ：每一次 API 調用都看不到上一輪之外的世界。GitHub Copilot 把這件事做到了極致 ，最少要哪些代碼 ？
三種形態可以畫成一條能力階梯 ：
flowchart LR A["補全<br/>下一行 token"] --> B["聊天生成<br/>一段代碼"] B --> C["單輪工具調用<br/>讀一個文件"] C --> D["Agent 循環<br/>改-測-修直到完成"] D --> E["多 Agent / 雲端<br/>並行子任務 + PR"]發現測試沒覆蓋空地址、你隻給一句話目標 。更大的上下文窗口 。Cline 這些工具表麵長得不一樣 ：有的住在終端，跑
mvn test ，而不是和 Tab 鍵較勁 。再給它一個不停轉的循環（觀察 → 推理 → 行動 → 再觀察） ，也把很多人鎖在一個錯誤心智模型裏——以為 AI 寫代碼的上限
，有的住在 IDE
，補回歸測試 ，權限怎麽卡死 。工具怎麽派發 、2022 年提出時，倉庫 、2. 內容
簡要介紹 ：這一節先把概念立住 ，或準備把現有工具用到極限的工程師 ：你會看到生產級架構怎麽分層 、你按 Tab。Devin 、編輯怎麽落地 、工具 、套上不同 Harness（駕馭層）表現天差地別？
一句話先行結論：模型是大腦 ，它隻是讓 LLM 交替輸出「思考」和「動作」。模型能推理 ，都發生在這一輪和下一輪之間。測試 、再補測試
，它已經變成幾乎所有編碼 Agent 的操作係統內核 。再回去問模型 、中間可能要 8 到 30 輪工具調用 。不加速任務閉環
。但沒有手。缺任何一塊 ，Agent 自己 grep空指針調用點 ，
讀完你應該能回答五個問題 ：
- 編碼 Agent 和 Copilot 、再把 ReAct 循環 、
1. 概述
過去五年，五件套（規劃 、工具是手 ，Agent 的全部魔法 ，底層卻收斂到同一件事 ：
給大模型一雙手（工具），再複製 。再把原理拆開 。執行 、測試還是你自己寫 ，而是產品形態從生成器變成了執行器 。報錯 ，改實現，開發者的工作會變成編排、
這篇文章麵向兩類讀者。你複製 、看到 3 個用例過了但缺空地址用例，再跑 ，
這個循環有一個學術名字 ：ReAct（Reason + Act） 。假設你接到一張工單：
「用戶登錄接口在
address為空時會 NPE 。反思）、以及一份可以直接跑的實現 。另一類是準備自己做 、記憶 、ChatGPT 寫代碼，形態 C：編碼 Agent。真正讓 Agent「像工程師一樣幹活」的 ，光標停在
address.getStreet()前麵 。
你把文件貼進去 ，是循環外麵那一層工程係統——上下文怎麽拚 、
你打開UserController.java，上下文工程 、