从 AI Coding 到数字员工：一条系统学习 AI Agent 的路线

回头看，我的工作方式已经发生了变化。遇到线上问题，我会先让 AI 阅读日志、定位可疑链路，再回到代码库验证；设计新方案时，让它一起梳理约束、比较选项；开始开发后，它还会参与搜索代码、修改文件、运行测试和整理文档。AI 已经进入工作的很多环节。

如果粗略估算，在我自己的日常工作中，已经有 60% 以上的环节会使用 AI 参与。这个数字只是个人经验，不能外推，也不意味着这些任务都能交给 AI 独立完成。目标由我确定，关键判断和结果验收也仍由我负责；但 AI 确实承担了大量信息整理、初步分析和执行工作。

奇怪的是，工具用得越多，我反而越清楚地看到另一个问题：使用越来越熟练，不等于理解越来越系统。我可以让 AI 修复代码、生成图片、调用工具，也能说出 Agent、MCP、RAG、LangGraph 这些名词，却未必能把它们放进同一张知识地图里，更未必能解释一个 Agent 为什么成功、为什么失败。

这也是我开始整理《深入浅出 AI Agent》的起点。

最初，AI 只是对话框里的排错助手

我最早使用 AI Coding 的方式很简单：把报错信息和相关代码贴进对话框，问它“问题可能出在哪里”。它给出原因和修改建议，我复制到编辑器，再手动运行和验证。

这种方式已经很有价值，但当时的 AI 更像增强版问答工具：它看不到完整代码库，不知道命令是否执行成功，也不能根据新结果改变下一步。真正的行动链条仍掌握在人手里。

这段经历后来成了我理解 Agent 的参照点：能回答问题的模型，与能在环境中持续完成任务的 Agent，中间隔着一整套工程系统。

从给建议，到真正参与工作

之后，我陆续尝试 Trae、DeepSeek、豆包等模型与 AI 编程产品。变化不只是回答更准确，而是 AI 开始进入编辑器、终端和项目上下文：能够读取更多文件、理解模块关系、直接生成修改。我的提问也从“这段代码为什么报错”，变成“这个需求应该改哪些模块”。

再到 Claude Code、Codex 这类 Coding Agent，我与 AI 的协作单位继续变大。它不只是生成一个函数，而是可以搜索代码库、编辑多个文件、运行命令和测试，再依据结果继续修正。过去由我反复执行的“阅读—修改—验证”开始形成一个可持续的循环。

现在，AI 会参与方案设计、代码开发、文档输出和线上排障。称它为“数字员工”，不代表它能无人监管，更不代表人可以退出过程。这个比喻想表达的是：我不再只索取一句答案，而是在给它目标、背景、工具和边界，让它承担一段可以检查的工作。

与此同时，我花在逐行敲代码上的时间变少，花在定义问题、补充上下文、设置验收条件和判断结果上的时间变多。效率提升不只来自模型“更聪明”，也来自人与 AI 之间的工作接口被重新设计。