Coding Agents（编码智能体）
定义
Coding Agents 是能够自主完成编程任务的 AI Agent——理解需求、编写代码、运行测试、修复 bug、提交 PR，形成完整开发循环。与代码补全工具（如 Copilot）不同，Coding Agents 具有目标导向的自主性和多步骤的执行能力。
Coding Agents vs 代码补全
区别不在于代码质量，而在于控制流：
| 维度 | 代码补全（Copilot） | Coding Agent |
|---|---|---|
| 控制流 | 人主导，AI 辅助补全 | AI 主导循环，人监督审查 |
| 自主性 | 逐行补全 | 理解需求→规划→实现→验证→迭代 |
| 人类角色 | 作者 | 编辑（审阅和修改 Agent 草稿） |
核心要点
范式转换：从"人写代码"到"人定义任务"
自动编码的梦想从 1950 年代就开始了：代码生成器 → CASE 工具 → 低代码/无代码 → Copilot 补全 → Coding Agents。
关键拐点：
- 2022: Copilot 证明了 LLM 能写出可用代码
- 2024-2025: Claude Code、Devin 等证明了 Agent 能自主完成多步骤任务
Coding Agent Loop
人类: "做什么"
↓
需求理解 → 步骤规划 → 代码实现（Agent 自主循环）→ 测试验证 → 人类审查（关键 checkpoint）→ 完成/迭代
人类只在关键 checkpoint 介入，程序员从作者变为编辑——你不再创作原文，你审阅和修改 Agent 的草稿。
能力边界
Coding Agent 擅长边界清晰、可验证、有据可查的任务。
不适用场景：
- 需要创造性探索的需求（"做一个有趣的数据可视化"）
- 涉及复杂遗留代码和隐性知识（"修复那个只在生产环境出现的偶发 bug"）
关键数据点
- 2022 Copilot 证明 LLM 能写可用代码；2024-2025 Claude Code、Devin 证明 Agent 能自主完成多步骤任务
- Coding Agent Loop = Understand → Plan → Implement → Verify → Iterate
- 范式隐喻：程序员从作者变为编辑——"I don't write code, I edit it"
- CREAO 案例：99% 生产代码由 AI 编写，14 天内每天 3-8 次部署（Peter Pang, 2026）
前提与局限性
- 前提: Code Execution 是 Coding Agent 的决定性能力——无此能力则输出价值有限
- 前提: 任务边界清晰、可验证、有据可查时效率最高
- 局限: 创造性探索需求（无明确成功标准）效率急剧下降
- 局限: 复杂遗留代码和隐性知识（无文档的生产 bug）处理能力不足
- 局限: 人类审查质量直接决定产出质量——缺乏 Taste/Judgment 的审查者无法有效把关
关联概念
- Agentic-Engineering — Coding Agents 是 Agentic Engineering 的核心工具
- Code-Execution — Coding Agents 的决定性能力
- Claude-Code-CLI — Coding Agent 的具体实现
- Vibe-Coding — Coding Agent 产出的原型级代码 vs 生产级代码
- Harness-Engineering — Coding Agent 作为主要构建者时，需要完整的系统框架来保证稳定、可靠、安全
- Decision-Quality — Coding Agent 时代程序员的核心价值从代码产出转向决策质量
来源
- 20260410-what-is-agentic-engineering
- building-effective-agents
- Why Your “AI-First” Strategy Is Probably Wrong — CREAO CTO Peter Pang: "99% 的生产代码由 AI 编写"