案例分析二:Data Analysis Agent 查了 50 次 SQL,为什么真正问题不是“分析得太认真”?
用户问,“为什么昨天收入下降?” Step 9 已经得到: 收入 -24% 请求 -2% eCPM -29% 媒体 A 贡献 78% 异常 这时合理结论已经基本明确。 但是后面 Trace: Step 10: 查询设备 Step 14: 查询地域...
章末自测
题目 1:工具选错与参数错误有什么区别?为什么两类问题的修复方向不同? 如果任务需要读取文件,模型却选择 write_file,这是 Tool Selection Error,说明能力选择阶段出了问题,应检查 Tool ...
第8部分:两个完整端到端项目 实战一:从 0 打造 Coding Agent
本章定位:从基础演示到 Coding 毕业实战 本章讲 Coding Agent。先用计算器观察“读、改、测”,再用订单业务检查完整交付,最后才把同一套思路用于自己的可信 Python 项目。三个页面服务于不同...
小节一:项目入口怎么设计——Coding Agent 进入陌生项目以后,第一件事不是改代码
这一节最容易踩的坑,就是一看到任务就立刻改代码。其实更稳的做法,是先确认工作区边界、扫描项目结构、读取 AGENTS.md,再识别规则和测试入口。这样做的意义很直接:先知道什么能动、什么不...
小节二:Tool Registry 怎么设计——Coding Agent 需要的是“窄而可靠”的 Tool,而不是万能 Shell
这里建议大家把重点放在“可控”两个字上。Tool 不是越多越好,也不是给一个万能 Shell 就算完事。真正好用的 Tool Registry,一定是参数可校验、权限可限制、执行可审计。下面这张图把“窄而可...
小节三:Coding Agent Main Loop 怎么跑——真正的核心永远是 Observation 驱动下一步
如果只记住这一章一个核心点,那我更希望你记住这一句:Observation 驱动下一步。Agent 不是一次性把 Patch 生成出来就结束了,而是要在“上下文 → LLM → 行动 → 工具 → Observation”的循...
小节四:实现一个最小可运行 Coding Agent——不用真实 Provider 也能先把 Harness 跑通
这一节更像是把前面讲的抽象概念真正落到一个最小 Demo 上。目录结构、Agent、Tools、Workspace、pytest 和 Observation 是怎么串起来的,光看代码有时候会有点散,先看一眼下面这张结构图,会...
小节五:把 Trace、Memory 和 Completion Gate 接进来——一个能改代码的 Agent 还不够
很多同学做到这里,会把注意力全放在“能不能改代码”上。但工程里真正决定系统能不能长期用的,往往是另外三件事:有没有 Trace 能复盘,有没有 Memory 能承接上下文,有没有 Completion Gate ...
小节六:用 Flask 把 Coding Agent 变成服务——从脚本变成可以被前端和其他系统调用的 Backend
当 Agent 从本地脚本走向服务化,重点就不只是“能跑”,而是请求怎么进来、Run 怎么创建、后台怎么执行、状态怎么流转、结果怎么返回。下面这张图把 Flask 接口、Run 生命周期和结果存储串成了...
案例分析一:一个陌生 Python 项目如何被 Coding Agent 自动修复?
场景背景 项目: workspace/ ├── AGENTS.md ├── calculator.py └── tests/ └── test_calculator.py Bug: def add(a, b): return a - b 用户,“修复当前 pytest 失败。” Step 1:...











