AI Agent Coding 2025描述了人工智能代理的快速扩张，这些代理能够自主编写、测试和部署软件代码，这一发展在当年显著重塑了软件行业。AI代理，也称为代理式人工智能，是一种能够追求目标、使用软件或其他工具，并具有一定自主性采取行动的人工智能程序。这与2023年常见的非代理式聊天机器人或传统机器学习算法等针对狭窄特定任务（如回答问题）的工具式AI使用形成对比。虽然不存在普遍认同的定义，但AI代理的共同属性包括目标导向行为、使用外部工具、与外部环境交互并修改环境的能力，以及自主执行多步骤任务。其控制流通常由大型语言模型（LLM）驱动，代理系统可能包含记忆组件、规划逻辑、工具接口以及用于协调组件的编排软件。
到2025年，软件开发者或编码代理（如Cursor）成为AI代理的突出应用，实现了自动化代码生成、测试和部署。这一繁荣由大型语言模型的进步、函数调用API的可用性以及Anthropic的模型上下文协议（MCP）等标准化协议推动，这些协议使代理能够获得上下文感知并对外部工具采取行动。术语“代理式”在2024年因研究员吴恩达的推广而流行，据行业报告，到2025年中，AI代理已应用于多个领域，包括视频游戏开发、赌博、加密货币钱包和社交媒体。
历史背景
人工智能代理的理论基础源于20世纪中叶控制论和人工智能的建立。Oliver Selfridge于1958年发表的论文《Pandemonium：一种学习范式》是建立代理导向架构的重要早期理论贡献。面向实际应用的代理实现于1990年代开始广泛普及，此前引入了信念-愿望-意图软件模型（BDI）和代理导向编程。哈佛大学教授Milind Tambe指出，在1990年代，AI代理的定义尚不明确。纯数字代理被部署在计算机基础设施中用于监控等目的，而与真实世界传感器和执行器连接的代理则越来越多地用于工业控制系统。
早期人工智能代理倾向于使用简单的if-then逻辑，随着时间推移扩展为大型决策树模型。到2010年代初，Siri和Alexa等产品发布，有时被称为AI代理，尽管它们缺乏后来由LLM驱动的代理所具有的通用推理能力。学术界从2018年开始研究LLM代理。此类代理的部署在2023年底OpenAI的“函数调用”API可用后开始加速，尤其是在Anthropic于2024年底引入模型上下文协议（MCP）之后，这是一种标准化方式，使LLM代理能够获得上下文感知并通过调用各种外部工具对世界采取行动。
训练与测试
研究人员尝试构建世界模型和强化学习环境来训练或评估AI代理。例如，Minecraft和No Man's Sky等视频游戏以及公司网站的复制品已被用于训练此类代理。这些环境使代理能够学习目标导向行为、与模拟环境交互，并完善其多步骤任务执行。在编码背景下，代理通常在大规模代码库上进行训练，使用监督微调和基于人类反馈的强化学习等技术，以提高其生成、测试和调试代码的能力。
自主能力
《金融时报》将AI代理的自主性与SAE自动驾驶汽车分类进行比较，将大多数应用比作2级或3级，有些在高度专业化情况下达到4级，而5级则是理论性的。在编码中，这意味着许多AI代理可以在人工监督下处理特定任务，而少数代理可以在狭窄领域（如自动错误修复或代码重构）中独立运行。自主性水平差异很大，有些代理需要人工批准每个操作，而其他代理可以执行从代码生成到部署的整个工作流程而无需干预。
认知架构
Ken Huang提出了一个由七个互联层组成的AI代理参考架构，每层建立在下层功能之上：
- 第1层：基础模型 - 提供驱动代理的数据集。
- 第2层：数据操作 - 管理AI代理操作所需的数据基础设施，包括向量数据库、数据加载器和RAG。
- 第3层：代理框架 - 管理AI代理的软件。
- 第4层：部署与基础设施 - AI代理的技术基础。
- 第5层：评估与可观测性 - AI代理的安全性和性能。
- 第6层：安全与合规 - 一个保护框架，确保安全操作并符合监管边界。在此层，嵌入AI代理堆栈所有层的安全与合规功能被整合在一起。
- 第7层：代理生态系统 - 代表AI代理与真实世界应用和用户的接口。
该架构为开发和部署AI代理提供了一种结构化方法，特别是在企业环境中，编码代理需要与现有软件开发流水线、版本控制系统和部署基础设施集成。
代理框架
代理框架是围绕大型语言模型的软件层，使其能够作为AI代理运行。它通常管理提示、上下文、工具使用、记忆、执行状态、操作约束、沙箱、权限以及结果处理。框架将模型连接到内部和外部计算机硬件、软件、数据文件、数据库、网络浏览器、命令行界面和应用程序编程接口，同时控制代理如何访问和使用这些资源以完成多步骤任务。在编码代理中，框架通常包括与代码编辑器、Git等版本控制系统以及云部署平台的集成，使代理能够编写代码、运行测试和部署应用程序。
编排模式
自主代理通常与其他代理或专用工具集成以执行复杂任务。这些配置称为编排模式或工作流程，包括以下内容：
- 提示链：一个步骤的输出作为下一步输入的顺序。
- 路由：将输入定向到专用下游任务或工具。
- 并行化：同时执行多个任务。
- 顺序处理：通过预定义流水线的固定线性任务推进。
- 规划者-批评者：一种迭代模式，其中一个代理生成提案，另一个代理评估提案以提供改进反馈。
在编码中，编排模式使代理能够将大型软件项目分解为较小任务，将其分配给专用子代理，并协调其工作以生成连贯的代码库。例如，规划代理可能设计架构，编码代理编写函数，批评代理审查代码中的错误和风格问题。
多模态AI代理
除了大型语言模型（LLM），视觉语言模型（VLM）和多模态基础模型也可用作代理的基础。艾伦人工智能研究所在2024年发布了开源视觉语言模型。Nvidia发布了供开发者使用的框架，利用VLM、LLM和检索增强生成来构建能够分析图像和视频（包括视频搜索和视频摘要）的AI代理。微软发布了一个多模态代理模型，，在图像、视频、软件用户界面交互和机器人数据上训练，，该公司声称该模型可以操作软件和机器人。在编码中，多模态代理可以解释用户界面截图、阅读图表并理解视觉文档，增强其处理图形应用和设计规范的能力。
应用与影响
截至2025年4月，据美联社报道，AI代理的真实世界应用很少。然而，到2025年中，格局已显著改变。《The Information》将AI代理分为七种原型：业务任务代理，用于在企业软件内操作；对话代理，作为客户支持的聊天机器人；研究代理，用于查询和分析信息（如OpenAI Deep Research）；分析代理，用于分析数据以创建报告；软件开发者或编码代理（如Cursor）；领域特定代理，包含特定主题知识；以及网络浏览器代理（如OpenAI Operator）。
到2025年中，AI代理已用于视频游戏开发、赌博（包括体育博彩）、加密货币钱包（包括加密货币交易和模因币）以及社交媒体。2025年8月，《纽约杂志》描述了这一现象，强调了编码代理在初创公司和技术公司中的快速采用。对软件行业的影响深远：编码代理减少了日常任务所需的时间，如编写样板代码、修复语法错误和运行单元测试，使开发者能够专注于更高层次的设计和问题解决。然而，对代码质量、安全漏洞和岗位流失的担忧也被提出，导致关于此类代理适当自主性水平的辩论。
2025年AI代理编码的繁荣与人工智能和机器学习的进步密切相关，特别是Transformer和神经网络的发展。OpenAI、Anthropic和Google DeepMind等公司在创建底层模型和API方面发挥了关键作用。生态系统还受益于Amazon Web Services、Azure和Google Cloud提供的云基础设施，这些设施为训练和部署代理提供了可扩展的计算资源。截至2025年，该领域持续发展，正在进行关于更稳健评估方法、安全协议和编排技术的研究，以确保AI代理能够被信任处理日益复杂的编码任务。