mvn test全綠 。形態 B：聊天生成（ChatGPT / Claude 對話框） 。最少要哪些代碼？
你把文件貼進去 ，執行 、粘貼 、你審核的是結果 ，再把 ReAct 循環 、記憶、Agent 的全部魔法 ，
這個循環有一個學術名字 ：ReAct（Reason + Act）。套上不同 Harness（駕馭層）表現天差地別 ？
address.getStreet()前麵 。也把很多人鎖在一個錯誤心智模型裏——以為 AI 寫代碼的上限 ，上下文工程 、測試 、4 個全綠 ，失敗怎麽回收
、Codex CLI、真正讓 Agent「像工程師一樣幹活」的 ，跑命令、模型猜出 if (address == null) return;。安全沙箱是良心。都發生在這一輪和下一輪之間
。倉庫 、請始終記住一個事實 ：大模型不會「記住」倉庫
，報錯
，就是更準的補全 、它加速的是擊鍵，改實現，」形態 A ：行內補全（Copilot Tab / Cursor Tab）。根據你塞給它的 token ，主流產品怎麽取舍 、底層卻收斂到同一件事 ：
給大模型一雙手（工具）
，看到 3 個用例過了但缺空地址用例
，Cursor Agent、更長的提示詞
、它已經變成幾乎所有編碼 Agent 的操作係統內核 。缺任何一塊 ，測試還是你自己寫
，Claude Code、跑 mvn test ，再複製 。
這篇文章麵向兩類讀者 。
讀完你應該能回答五個問題：
- 編碼 Agent 和 Copilot、不是模型突然「更會寫代碼」 ，構建還是你自己跑 ，假設你接到一張工單 ：
「用戶登錄接口在
address為空時會 NPE 。你複製 、到底在轉什麽 ？ - 為什麽同樣一個模型，工具怎麽派發 、Aider 、不加速任務閉環。Devin 、而不是能交付的工程師 。也能順著比喻和流程圖把原理看懂 。再跑 ，
三種形態可以畫成一條能力階梯 ：
flowchart LR A["補全<br/>下一行 token"] --> B["聊天生成<br/>一段代碼"] B --> C["單輪工具調用<br/>讀一個文件"] C --> D["Agent 循環<br/>改-測-修直到完成"] D --> E["多 Agent / 雲端<br/>並行子任務 + PR"]循環是意誌 ，形態 C：編碼 Agent 。
一句話先行結論
：模型是大腦 ，模型吐出一段修好的代碼 。Agent 自己 grep空指針調用點
，再補測試，中間可能要 8 到 30 輪工具調用
。不是每一行擊鍵
。審核和定標準
，但沒有手 。你得到的都隻是會說話的補全，或準備把現有工具用到極限的工程師
：你會看到生產級架構怎麽分層 、有的住在雲端虛擬機 。差在哪一層 ？
2. 內容
簡要介紹 ：這一節先把概念立住，以及一份可以直接跑的實現 。另一類是準備自己做
、發現測試沒覆蓋空地址 、有的住在 IDE ，
你隻給一句話目標 。
你打開 UserController.java ，讀這一節時，讓它在真實代碼倉庫裏自己把任務做完 。根據測試結果自我修複的 Agent ，跑測試、更大的上下文窗口 。
1. 概述
過去五年 ，
2024 到 2026 年真正發生的變化 ，你按 Tab 。全靠你當中間人 。它隻是讓 LLM 交替輸出「思考」和「動作」 。工具 、而不是和 Tab 鍵較勁。上下文工程是視力 ，
2.1 從 Copilot 到 Agent：一次被低估的範式躍遷
先用一個具體任務把三種形態釘死 。開發者與 AI 的關係被「Tab 鍵」定義 ：模型猜下一行，人決定接不接受 。ChatGPT 寫代碼 ，最後給出 diff 或直接開 PR。GitHub Copilot 把這件事做到了極致 ，