如何用AI Agent处理PR、写单测、修Bug，以及IT从业者的角色从“码农”向“架构师+审阅者”转变的一些经验与感受分享

目录

AI的飞跃：从副驾驶到问题完成者

IT从业者的AI Agent实践：处理PR、写单测、修改Bug的真实经验

1. AI代理处理Pull Request (PR)

2. AI Agent编写单元测试（Unit Tests）

3. AI Agent修复Bug（Bug Fixing）

IT从业者的角色转变：从“码农”到“架构师+审阅者+AI协调员”

从“写代码”到“设计系统”

从“独立完成”到“AI协作”

从“基础审查”到“高级质量关”

从“解决问题”到“定义问题与创新”

真实感受

总结

如果您喜欢此文章，请收藏、点赞、评论，谢谢，祝您快乐每一天。

本文将全面探讨AI如何从代码补进化为可独立完成Issue的智能体，以及“IT从业者”如何用AI Agent处理PR、写单测、修改Bug的实践经验，以及“IT从业者”角色从“码农”向“架构师+审阅者”转变的真实感受。

AI的飞跃：从副驾驶到问题完成者

几年前，GitHub Copilot 让我们高效地实现了 AI 在代码补全和生成上的能力。它就像一个默契的搭档，理解上下文，提供的代码片段。但后来的 AI，更多的是一个“高阶的工具”，开发者不断地“指挥”和“修正”。

如今，AI的演进速度超乎想象。以AI Agent为代表的新一代AI，不再是代码补全，它们开始具备理解复杂性、需求规划执行步骤、与环境（如代码库、测试框架、CI/CD系统交互），甚至独立完成一个Feature或Bug修复的潜力。这种进化，不仅仅是效率的提升，更是对我们开发模式和定位角色的替代。

IT从业者的AI Agent实践：处理PR、写单测、修改Bug的真实经验

已经很多文章一直在积极传播和实践这些AI Agent技术，放入其北极电路开发流程。以下是一些相关的具体经验：

1. AI代理处理Pull Request (PR)

• 过去：写完代码，提交PR，等待同事审查。这个过程可能需要几个小时到几天，审查主要关注代码质量、逻辑正确性和风格。
• AI Agent介入：
  • 自动代码审查器：IT从业者可以设置一个AI Agent（可以想象成一个高度定制化的Devin-like Agent），当IT从业者的PR提交后，它会自动执行以下任务：
    1. 静态代码分析与 Linting：检查代码是否符合团队的编码规范（ESLint、Prettier 规则），发现常见的语法错误、未使用的标记、潜在的性能陷阱。
    2. 需求高度评估：代理阅读PR的描述，理解其要解决的问题，然后分析代码实现​​是否与需求高度契合。它会标记出任何可能增加需求的代码。
    3. 安全漏洞扫描：Agent能够扫描代码，识别常见的模式，如SQL注入、XSS安全漏洞、不安全的API调用等。
    4. 测试覆盖率分析：Agent 分析 PR 中新增或修改的代码，检查是否生成了对应的单元测试。如果测试不足，会根据内容修改，自动生成恢复的单元测试示例。
    5. 架构项目一致性检查：Agent能够了​​解架构的整体架构（例如，通过分析已有的架构图和代码结构），检查新代码是否符合既定的架构原则。
  • IT从业者的角色：
    • “提示设计师”和任务定义者：IT从业者不再是简单的提交代码，而是要学会如何“指导”代理。例如，IT从业者会明确告诉它：“请审查这个 PR，确保代码遵循 XXX 规范，覆盖 YYY 场景，并特别关注 ZZZ 模块的安全问题。”
    • “AI协作伙伴”&审阅者：代理的审查报告会提交给IT从业者。IT从业者需要快速浏览报告，判断代理的建议是否合理。代理能够发现很多IT从业者可能忽略的细节，这很大程度上了解了IT从业者的审查负担。
    • “决策者”：Agent只是提供建议。IT从业者需要结合项目需求、业务逻辑和IT从业者的经验，最终决定是否采用Agent的最终修改意见。Agent可能会犯错，或者提出的优化不符合项目实际情况。

2. AI Agent编写单元测试（Unit Tests）

• 过去：写测试是“好习惯”，但往往被优先度更高的功能开发挤占。
• AI Agent介入：
  • 智能测试套件生成器：当IT从业者完成一个函数或一个模块后，IT从业者将代码提供给AI Agent，并给出指令：“请为代码编写单元测试，覆盖正常路径、边界条件（如空输入、空写入、最大/最小）、异常处理（如发送错误、网络异常），并达到85%以上的覆盖率。”
  • AI Agent的执行情况：Agent会：
    1. 分析代码逻辑：理解函数的输入、输出、内部逻辑和依赖。
    2. 生成测试框架：根据项目使用的测试框架（如Jest、Pytest、JUnit），生成测试文件结构。
    3. 生成示例测试：
       • 模拟依赖：自动模拟掉依赖的外部服务或函数。
       • 边界值测试：自动生成针对空值、空值、临界值等情况的测试。
       • 异常测试：模拟错误情况，验证函数是否能正确处理异常。
       • 覆盖率优化：根据项目设定的覆盖率目标，智能生成更多测试案例，直到达到要求。
    4. 初步运行测试：Agent会在本地环境中尝试运行生成的测试，并反馈运行结果。
• IT从业者的角色：
  • “测试场景描述者”：IT从业者需要大声告诉代理IT从业者希望测试哪些方面，特别是业务逻辑中那些不易被AI自动推断出来的特殊场景。
  • “示例测试审阅者”：代理生成的测试需要IT从业者的审核。IT从业者需要判断测试是否真正覆盖了核心逻辑，是否足够显示，以及是否存在AI遗漏的情况。
  • “AI测试生成数据者”：对于需要复杂或特定业务逻辑的数据进行测试，IT从业者可能需要为AI Agent提供一些样本数据。

3. AI Agent修复Bug（Bug Fixing）

• 过去：Bug修复是一个运行且需要深度思考的过程，从错误堆栈到代码定位，再到逻辑推断，最后尝试修复。
• AI Agent介入：
  • 自动错误分类和修复器：当收到错误报告（包含错误堆栈、重写步骤、日志）时，IT从业者将其喂给AI代理。
  • AI Agent的执行情况：
    1. 错误堆栈深度解析：Agent不仅能够找到发生错误的文件和行号，还能理解错误类型（如NullPointerException、TypeError、Database Constraint Violation），并结合上下文代码进行分析。
    2. 代码逻辑诊断：Agent会分析错误代码的周围逻辑，尝试推断出Bug的根本原因。
    3. 修复生成建议：代理会给出1-3个可能的修复方案，并直接生成包含修改的代码片段，甚至是完整的PR。
    4. 自动生成回归测试：代理会分析Bug的根源，并自动生成新的单元测试来覆盖这个Bug，确保它不会再次出现。
    5. （可选）集成测试触发：Agent甚至可以根据Bug的类型，尝试触发相关的集成测试流程，进一步验证修复效果。
• IT从业者的角色：
  • “Bug报告者&验证者”：IT从业者负责提供语音的Bug信息，并最终验证AI提出的修复方案。
  • “AI诊断评估师”：IT从业者需要判断Agent的诊断是否准确，修复方案是否最优化、是否会引入副作用。有时，AI提出的方案可能过于简单，未能解决根本问题，或者引入了新的风险。
  • “AI修复方案选择者”：在AI给出多个修复方案时，IT从业者需要根据项目的技术栈、性能要求、安全策略来选择最合适的方案。

IT从业者的角色转变：从“码农”到“架构师+审阅者+AI协调员”

AI Agent的强大能力，正在将IT从业者的角色从一个纯粹的代码执行者，转变为一个更高架构的开发者，其核心职责和关注点发生了根本性的变化：

1. 从“写代码”到“设计系统”

   • 过去：IT从业者花费了大量时间思考“如何将这个功能写出来”。
   • 现在：IT从业者的精力更多地放在“系统应该如何设计”、“模块之间如何划分”、“技术选型”以及“如何让AI Agent更好地圆满完成任务”。IT从业者从执行者变成了架构师，负责整体的蓝图。

2. 从“独立完成”到“AI协作”

   • 过去：很多任务是独立完成的。
   • 现在：开发变成了一个与人工智能代理协作的模式。IT从业者不再需要编写所有代码，而是需要学会如何有效地与人工智能代理沟通，理解它的输出，并给出明确的指导和反馈。IT从业者成为了“人工智能协调员”。

3. 从“基础审查”到“高级质量关”

   • 过去：审查主要关注代码风格、基本逻辑。
   • 现在：AI Agent已经能处理大部分基础的审查工作。IT从业者的审查重点则提升到了架构的合理性、安全性、性能极限、潜在的技术报告、以及AI生成代码的潜在风险。IT从业者成为了一名更资深的“审阅者”，一个“质量总监”。

4. 从“解决问题”到“定义问题与创新”

   • 过去：IT从业者花费大量时间解决具体的编码实现问题。
   • 现在：AI Agent 帮助IT从业者解决了许多编码和测试上的问题，这让IT从业者有更多的时间和精力去思考更宏观的业务问题、用户需求、产品创新，以及利用 AI Agent 来实现这些如何更具战略性的目标。

真实感受

• 效率的质变：AI智能体带来的效率提升是创新性的。原本需要几天的工作量，现在可能一天就能完成。这不仅仅是“快了”，而是释放了新的可能性。
• 工作内容的升维：IT从业者不再是那个埋头写代码的“码农”，而是成为一个思考者、设计者、决策者。IT从业者更关注“做什么”和“为什么课堂”，而不是“怎么做”。
• 持续学习的紧迫感：AI技术发展迅速，IT从业者需要不断学习新的AI Agent工具、及时的工程技巧，以及如何更深入地理解AI的工作原理。这带来了挑战，也带来了持续成长的动力。
• 对“开发”需求的积累：AI AgentIT从业者重新思考“软件开发”高效的本质。它不再是简单的代码堆砌，而是系统设计、智能驱动、协作、质量保障的复杂过程。
• 兴奋与有些许不安：AI极大地赋予了开发者能力，让IT从业者们能够做更多、做得更好。但同时，也需要警惕对AI的过度依赖，以及AI生成代码可能存在的潜在风险（如安全、合规性、知识产权）。最终的判断和决策，仍然在IT从业者们手中。

总结

AI Agent 正在深入挖掘软件开发的工作流程和开发人员的角色。从副驾驶到能够独立处理问题的智能体，AI 已经从“助手”进化为“协作伙伴”。IT从业者的角色正在从一个执行代码员，向一个系统设计者、AI 协调员、高级质量把关人转变。这是一个挑战，更是一个机遇，让IT从业者能够将精力投入到物资和战略性的工作上。未来的开发者，将是与 AI工作顺利的“智能开发者”。

如果您喜欢此文章，请收藏、点赞、评论，谢谢，祝您快乐每一天。