AI编程

在 Code Agent 的工程实践中，模型本身并不直接“做事”。它通过 Function Calling 选择工具，再由框架执行并返回结果。因此，扩展一个代码智能体，往往不是重新训练模型，而是给它增加新的工具。

当 Agent 对话越来越长，简单截断历史消息容易丢掉关键信息。一种更可行的做法是用 LLM 将旧上下文总结成摘要，再与最近消息一起重建记忆。

T3 Code 是一个开源的 AI 编程 Agent 控制台，可将 Claude Code、Codex、OpenCode、Cursor 和 Grok Build 等工具放入统一控制平面，并支持手机、浏览器和桌面远程调度。

当 AI 编程助手从“能不能用”走向“好不好用”，竞争焦点正在发生变化。模型能力仍然重要，但真正决定产品体验、成本和稳定性的，往往是一系列不那么显眼的工程决策：实验功能如何管理，版本如何发布，内存如何控制，测试如何覆盖一个会调用模型、会修改文件的终端程序。《深入解构 Claude Code》第 11 篇从功能开关、代码分割、性能优化和测试体系四个切面，展示了 Claude Code 在这方面的处理方式，也为准备构建 AI 编程产品的开发者提供了一份可参考的工程样本。

当 AI 编程助手不再只是补全代码，而是可以执行命令、修改文件、运行脚本时，安全就从产品体验问题变成了工程基础设施问题。开源项目 DeepSeek Harness 中的沙箱设计，提供了一个观察 Coding Agent 执行安全边界的样本：它并不试图把网络、进程、文件系统风险一次性打包解决，而是把最基础也最危险的文件写入效果单独拆成一层能力。

AI 可以快速重写一个旧 React 组件，但真正的风险在于隐藏依赖、失效假设和模糊边界。本文以一场面试案例为线索，整理出画依赖图、识别隐藏假设、按副作用拆分、给 AI 可验证指令的重构方法。

Coding Agent 每步都问，未必更安全；问得少，也不必然失控。关键是把人工确认从默认弹窗，转为可执行、可传递、可审计的规则体系。