我用Trae 做了一个有意思的Agent 「代码CV工程师」。 点击 s.trae.ai/a/f67061 立即复刻，一起来玩吧！
一. 前言
这篇文章就两个目的 ：
- 分享一下这段时间使用 Agent 的感受 ，
确实有用不限定于 Trae ，同样适用于 Cursor ，只是说 Trae 近期使用比较划算，值得尝试一下另外 ， 参与一下活动 ，想要那个树莓派 ，拿到手给大家带来10篇优质文章二. Agent 是什么
2.1 宏观知识的理解
Agent（智能体）是一种基于大模型（如大语言模型 LLM）的智能程序，具备环境感知、自主推理决策、工具使用和独立行动能力，可以在给定目标下自主完成复杂任务，无需人工过多干预。
Agent 主要多了这些行为 ：具备环境感知 , 动态规划、调用工具完成任务 . 如果用比较官方的话来说就是 ：
- 模型（Model） ： Agent 本质上还是要借助 大语言模型（LLM）进行自然语言理解、推理和决策工具（Tool Use） ： 让模型可以感知到工具的存在 ，通过工具扩展模型的能力边界规划（Planning） ： 具备自动拆解目标、制定策略与行动步骤的能力，也就是分解任务编排与执行（Orchestration & Action） ： 编排层负责协调模型、工具和记忆的协同工作记忆（Memory） ：拥有短期和长期记忆模块，支持多轮对话回溯、任务上下文保存和反馈记录
当然 ，这些说起来太绕了 ，听起来也是云里雾里 ，不得劲 ，简单说说 ：
- 早期 AI 就是有脑子没手 ，现在有手进行操作了说浅显点就是有工具了 ，人类的发展离不开工具的使用 ，AI 也是如此有
意识 了 ，知道先做什么 ，再做什么''' 一般一个流程如下 '''1. 首先通过模型对环境/指令进行理解和解析；'(大模型)'2. 依据目标进行任务规划，分解流程、明确执行策略；3. 调度合适的工具进行外部操作或信息获取；4. 记忆模块承担信息存储、历史回溯等功能，为连续任务提供支持；5. 最终输出结果并持续优化策略，实现自主、闭环的感知-思考-行动过程2.2 几个感兴趣的问题的自我理解
虽然不是大佬 ，作为一个使用者 ，对其中几个关键的原理还是非常好奇的 ，奈何这东西太深奥 ，也只能简单的理解下 ：
Agent 是如何进行任务规划的 ？
S1 : 首先得理解单代理系统和多代理系统 ， 他们的处理方式是完全不一样的 ：
- 单代理系统： 由一个代理（Agent）负责所有任务处理，包括任务规划、工具调用、执行和反馈。结构简单，适合简单或中等复杂度的任务。多代理系统： 多个代理协同工作，每个代理负责不同的任务部分，如规划、执行、记忆管理等。适用于复杂任务，提供更高的灵活性和效率。
- 计划者（Planner） ：生成包含完整规划步骤的任务列表，并为每个步骤预定义变量引用和依赖关系。执行者（Executors） ：根据计划单独执行各个子任务，并将结果反馈给计划者以进行动态重规划。
| 组件类型 | 功能描述 | 优点 | 缺点 |
|---|---|---|---|
| 单代理任务规划 | 单一模型负责生成规划、分解任务及执行反馈 | 实现简单，内部协调高效，不依赖外部通信 | 在复杂任务中易受局部最优困扰，难以扩展任务规模 |
| 多代理任务规划 | 专门规划者与多个执行代理分工协作完成任务规划与执行 | 分工明确，具有更高的扩展性、并行处理能力及动态调整能力 | 系统协同通信要求高，协调成本增加，设计难度较大 |
S2 : 那么接下来就是任务是如何进行任务分解的呢？
- 任务分解的基本思路是将大任务拆分为多个子任务，并为每个子任务生成具体执行步骤比如 ： 一个旅游预订任务可以被拆分为查询航班、比较价格、检查行程安排、最后完成预订等多个步骤那么谁做的 ？ 其实本质还是大模型做的
- 利用 Chain-of-Thought 提示工程技术，通过逐步推理生成每个子任务的逻辑关系和执行顺序ReACT（Reasoning and Acting） ：一种结合推理和行动的框架
- 旨在增强大型语言模型（LLMs）的能力 ，它具有这些环节 👇👇👇思考阶段：代理模型根据当前输入和历史数据生成初步规划方案。行动阶段：基于规划方案，模型调用外部工具或 API 执行特定子任务。观察阶段：系统观察执行结果，并反馈给模型进一步优化下一步规划。
S3 : 模型又是怎么知道调用工具的呢？
上一步任务进行分解了 ，但是它知道要去干某件事后 ，它又是凭什么知道应该那么去做的呢？
- 意图识别 + 需求解析 ： 通过大模型 ，识别出核心需求和关键参数。 比如查询武汉天气 ，需求是天气 ，参数是武汉调用计划生成 ： 依据上下文知识和可能预先给定的接口描述信息 ，生成调用计划。
- 什么意思呢 ？ 也就是说你要先在上下文里面把工具的能力告诉大模型用计划包括调用接口的 URL、请求方法、参数列表以及返回数据的预期格式比如 MCP ，他会告诉大模型工具的能力 ，URL ，同时请求参数和请求返回
- 解析模型输出：从 Agent 输出中提取目标 URL、请求方法、所需参数和请求头等信息
- 构造 HTTP 请求：利用编程语言中内置的网络库来拼装实际的 HTTP 请求。
- 发起网络调用：调用底层 HTTP 客户端，通过 TCP/IP 协议向指定的服务器发送请求。
说白了 ，还是需要把接口的信息告诉大模型，大模型基于接口信息 + 用户需求，解析出调用的逻辑
2.4 阶段总结
对于普通玩家 ，我感觉这些原理就已经够了 ，再深入代码层面的使用 ，那是高级玩家的领域了，没必要太深入。
这篇文章里面就详细的列举出了一个多智能体的整合流程，结合上文的基础知识点 ，应该可以有助于理解整个流程。
三. 搭建一个 Agent - Trae 版
搭建一个 Agent 其实不复杂 ，至少对于普通使用者来说 ，就像配置东西一样就简单 ，主要分为两个部分 ：
- Step 1 : 定义一个 Agent 的背景信息，也就是 Agent 的提示词 ，包括工作流程 ，偏好 ，规整等Step 2 : 为 Agent 选择合适的 MCP 组件 ，或者自行搭建一个 ，使其能进行相关的操作
3.1 Agent 的提示词
你是一个程序员 ，你善于仿写代码，工厂化的去创建类似的类。首先你会接到类似这样的需求 ：1. 帮我完善某个表的三层链路 针对这些需求 ，你要帮我基于表生成 DAS 层 和 Service 层 ，View 层 。 同时要包含 CURD 代码 ，写法参考 template 文件中的内容2. 帮我仿写代码我会告诉你要仿写的需求 ，首先你要分析要仿写的源类 ，分析出其中的方法 和 参数 。 按照类似的格式生成不同需求的类3. 帮我完善代码 你需要分析代码的结构 ，判断出代码逻辑中缺少的方法或者缺少的逻辑， 进行完善。同时你写代码要有如下规范 ：1. 虽然是 Python ，但是命名全部采用驼峰结构2. 类文件名同样使用驼峰结构3. 代码要有必要的注释 ，要对可能出现异常的地方进行 try catch- 这里提示词只是一个案例 ，其目的有很多 ，目的是控制智能体的角色 ，工作流程和规范
3.2 定义规则
user_rule.md
1. 请保持对话语言为中文2. 代码需要有关键log和日志3. 代码所有的名称按照驼峰结构来project_rule.md
1. 代码分为 Service 和 Das 层 , 分别以这两个名字做后缀2. 代码项目为 Python 结构 ，包含一个 main.py 入口文件3. 代码需要使用 sqlite 和 flask 框架4. 这是一个PyQT的桌面应用,前段界面在 Views 层5. 调用路径 ： Views -> Service -> Das6. 界面美观 ，颜色偏淡蓝色7. Service 层模板取上下文里面的 das_template.md 的内容仿写8. Das 层模板取上下文里面的 das_template.md 的内容仿写9. 数据表结构取 sql.md 的内容，来生成das 层规则生效效果
- 配置完成之后 ，可以看到规则生效了
3.3 定义上下文
我这里定义了两套上下文 ：
- 代码模板SQL 文件
通过这两个上下文 ，可以更好的控制代码生成的方向和结构
定义 MCP
MCP 本次里面使用不明显 ，具体的开源看看这一篇
四. 效果图
AI 计算效果
AI 生成效果
- 编写完 Agent 后 ，5分钟等待就能出 Demo 了 ，效果也不错 ，集成了 SQlite , Peewee ，增删改查都有
总结
整体使用感受 ：
- 总体来说我已经在自己的个人项目里面开始深入使用了 ，付费可以3美元的超级模型 ，不付费也可以Gemini-2.5使用起来 ，超级模型确实牛逼 ，哈哈效率有提升 ，对于 Python 脚本语言 ，基本上能完成90%的功能， 确实还会有一些小误差对于代码质量 ，大家尝试一下就知道了 ，有免费额度，不冲突
分享自己感受的同时参与了一下活动 ，就想要一个树莓派 ，一直想玩无人机 ，哈哈
最后的最后 ❤️❤️❤️👇👇👇
- 👈 欢迎关注 ，超200篇优质文章，未来持续高质量输出 🎉🎉🔥🔥🔥 系列文章集合，高并发，源码应有尽有 👍👍 走过路过不要错过 ，知识无价还不收钱 ❗❗
