当AI开始“自我编程”：一个真实发生的自举型编码代理故事

这不是科幻设想，而是Augment Code团队的真实经历：一个AI编码代理在人的监督下，写下了自己90%以上的代码。Colin Flaherty分享了这个自举型Agent从集成工具、写测试到给自己做性能优化的全过程，以及他们在实践中踩过的坑与形成的方法论。

从自动补全到智能代理：软件工程范式正在切换

为什么这个故事重要？因为它标志着AI在软件工程中的角色，正在发生一次质变。Colin Flaherty在开场就回顾了一个清晰的演进路径：2023年，大家谈论的是GitHub Copilot这样的自动补全模型；2024年，对话式模型开始真正进入工程团队；而到了2025年，他判断“AI agents are going to dominate the conversation about how software engineering is changing”。

Agent和之前的工具最大不同在于“完整任务意识”。它不只是补全一行代码，而是像一个初级工程师一样，理解目标、调用工具、修改代码、运行测试、根据结果再调整。正是基于这个判断，Augment Code在几个月前开始构建自己的AI编码代理。

Colin强调，他们并不是为了做一个炫技Demo，而是想验证一个现实问题：如果Agent真的要像软件工程师一样工作，它是否能在真实、复杂的代码库中持续产出价值？答案出乎他们自己意料，也直接引出了后面那个最震撼的数字。

90%的代码由Agent完成：一次真正的“自举”实验

真正让现场安静下来的，是Colin抛出的那组数字：“We have about 20，000 lines of code in our agent codebase， and over 90% of that was written by our agent， with human supervision.” 这不是指生成草稿，而是进入主干、长期维护的真实代码。

所谓“Agent写自己”，并不是魔法，而是从最基础的工程需求开始。第一步是第三方集成：Slack、Linear、Jira、Notion、Google Search，以及在用户代码库中检索和编辑文件。团队最初手写了前几个集成作为示例，随后直接给Agent下达指令，比如“add a Google search integration”。

Agent的行为路径非常工程化：它会先在代码库中定位合适的文件，理解已有接口规范，再补充实现。一个有趣的插曲是Linear集成——基础模型并不“记得”Linear的API文档，于是Agent调用了它之前亲手实现的Google Search集成，在线查文档，再据此完成集成。这个闭环，让团队第一次确信：这不是脚本拼接，而是具备工具组合能力的系统。

同样的流程也出现在测试上。当被要求“add unit tests for the Google search integration”时，Agent能够自动补齐测试文件，并运行验证。这些看似平凡的工程动作，最终堆叠成了一个可以持续自我扩展的系统。

最意外的一幕：Agent给自己做性能剖析和优化

如果说写功能、写测试已经在社交媒体上见过，那么接下来的场景，连Colin都承认“还没见过一个令人信服的例子”。他们发现Agent整体运行偏慢，但原因不明，于是直接让Agent“profile itself”。

Agent使用已有的工具链，往自己的代码里加打印语句，运行多个“子实例”，收集输出并分析瓶颈。最终它定位到一个具体问题：系统在同步加载并哈希用户仓库中的所有文件。这一步完全是串行执行，成本极高。

解决方案也完全由Agent给出——引入进程池并行处理，同时补充了压力测试来验证优化效果。整个过程，从发现问题到修改架构再到验证结果，没有人类工程师直接写实现代码。这个案例之所以重要，在于它证明Agent不仅能“照着需求写”，还能基于运行反馈进行结构性改进。

到这一阶段，代码规模来到约2万行，而“over 90%”这个比例再次被Colin强调。这不只是效率问题，而是能力边界的变化。

血泪教训：构建编码Agent时最容易掉进的坑

在分享成果之后，Colin很快转向了反思。他明确指出，构建Agent时，人们常常带着一些危险的假设。比如，以为只要给模型足够多的工具，它就会自然学会如何使用；或者认为Agent可以安全地在用户环境中随意运行命令。

现实恰恰相反。为了让Agent稳定工作，团队不得不给它一整套“过程管理”能力：运行子进程、监控执行状态、防止测试进入无限循环、读取并解析输出。这些听起来不性感，却决定了Agent是否能在真实环境中存活。

另一个关键经验，是工具的可组合性。Colin提到，很多能力并不需要复杂设计，“just having access to one of those”合适的工具，就足以让Agent跨越原本的能力边界。Linear集成用Google Search反向补全知识，就是最好的例子。

这些教训共同指向一个结论：Agent不是一个模型，而是一个系统。忽略工程约束，只谈模型能力，最终只会得到不稳定的演示品。

在Agent世界里，软件工程意味着什么？

在结尾，Colin抛出了一个更宏观的问题：当Agent成为常态，软件工程会变成什么样？他的一个判断颇具挑衅性——“agents didn’t work last year”，但今天它们之所以开始奏效，并不是模型突然变聪明，而是工程方法成熟了。

测试、权限控制、可回滚的修改、明确的工具边界，这些传统软件工程原则，在Agent时代反而变得更重要。只有当Agent被放进一个高度结构化、可验证的环境中，人类才可能逐步建立信任。

这也重新定义了工程师的角色：从主要写代码，转向设计任务、约束系统、审核结果。Agent写得越多，人类越需要清楚“什么是对的，什么是安全的”。这不是取代，而是一种重分工。

总结

这个视频最有价值的地方，并不在于“90%代码由AI完成”这个 headline，而在于它展示了一条可复现的路径：通过工具、约束和工程纪律，让Agent逐步承担真实的软件工作。对于工程团队来说，问题已经不再是“要不要用Agent”，而是“你是否准备好一个能让Agent不失控的系统”。

关键词： AI Agent， 编码代理， 软件工程， Augment Code， 代码生成

事实核查备注： Colin Flaherty：Augment Code的AI研究员；代码规模：约20，000行；Agent编写比例：超过90%；第三方集成示例：Google Search、Slack、Linear、Jira、Notion；关键判断：2023自动补全，2024对话模型，2025 Agent主导；性能优化案例：同步文件哈希改为进程池并行处理