​​

前言：让技术门槛低一点

在大模型技术尚未正式问世之前，市场上已存在诸多辅助编程工具，这些工具主要聚焦于基础代码补全功能，旨在提升业务代码的编写效率。随着技术的演进，通用业务模板逐渐普及，软件开发模式演变为基于模板的二次开发，开发者仅需进行针对性修改即可。此后，低代码平台的兴起进一步降低了开发门槛，使得后端开发人员也能快速构建前端工程。

随着大模型时代的到来，编程范式再次迎来革新。如今，开发者已能够通过自然语言描述来生成代码，我们的角色也从传统的代码编写者转变为功能决策者，只需关注生成结果是否符合预期。这标志着编程已正式步入"氛围编程"（Vibe Coding）时代。

当前网络搜索数据显示，Cursor已成为主流开发工具。然而，由于种种限制因素，国内用户的使用门槛居高不下，这一问题长期困扰着开发者群体。随着DeepSeek等国产大模型的崛起，AI技术逐渐走向普惠，显著加速了各类应用的落地进程。值此之际，腾讯也推出了全新的解决方案——下面请允许我为大家详细介绍CodeBuddy这一创新产品。

关于 CodeBuddy

腾讯云代码助手（TencentCloudCodeBuddy，以下简称CodeBuddy），由腾讯自研的一款专为开发者提供的一款AI辅助编程提效工具，基于腾讯混元+DeepSeek双轮模型，构建对开发者友好，好用易用的代码助手，为开发者提供AI技术问答、全新开发智能体Craft、代码补全、单元测试、代码诊断和智能评审等多Agent能力，兼容MCP开放生态，并可支持团队知识库管理、自定义智能体与指令管理、多模型接入、企业账号集成等功能，辅助开发者提升编码效率和质量，助力研发团队提质增效。
---- 官网介绍

咱们不看广告，看疗效。下面就从我比较薄弱的语言 Python，从 0 到 1 做一个工作流引擎。

全量实战，从零构建工作流引擎

提问：高效设问，体系速成

在正式搭建之前，我们需要明确工作流（Workflow）的定义及其典型应用场景，以便更高效地推进后续开发。

什么是工作流？

工作流是指一系列自动化或半自动化的业务流程，通常由任务编排、状态流转和规则引擎构成，用于标准化业务处理流程，提升执行效率。

典型应用场景

• 审批流程（如OA系统内的请假、报销审批）
• 数据处理流水线（如ETL任务自动化）
• 事件驱动型业务（如订单状态变更、用户注册后的自动化操作）
• CI/CD流水线（如代码提交后的自动化构建、测试与部署）

现阶段用 AI 的我们不应该是产品经理的身份，而应该是Tech Lead。所以不光要会功能，还要懂技术架构基础。

正式提问之前，还是先学一下技巧。毕竟在很多软件上，AI 的沟通成本还是需要付费的。

Prompt法则：定身份

在 AI 辅助编程中，身份设定（Role Prompting） 通常有两个方向：

• 为 AI 助手设定身份（常见做法）
• 为自己（开发者）设定身份（较少见但实用）

为 AI 设定身份：限定知识范围

作用：约束 AI 的回答风格与专业深度，使其更符合需求。

示例：
“你是一位 Java 专家，擅长用简洁、温和的语气解答问题。”
“你是一名 Python 高级工程师，习惯用示例代码说明概念。”

效果：AI 的回答会聚焦在特定领域，避免过于宽泛或晦涩。

为自己设定身份：适配学习阶段

问题：AI 的知识库覆盖广泛，若未明确自身水平，其回答可能默认面向高阶开发者，导致理解困难。

解决方案：主动声明自己的技术背景与学习目标，让 AI 调整输出复杂度。

示例：
“我是一名 Java 开发者，目前正在学习 Python，请用类比 Java 的方式解释 Python 特性。”
“我有 3 年 Java 经验，但对 Python 的装饰器不太理解，请用入门级示例说明。”

即使现在的模型是MOE（专家模型），但对于领域，认知还是需要去手动圈定一下。

Prompt法则：定场景

OK，接下来的就是交代清楚场景。

比如我们这次是做一个工作流软件，主要是给 AI 做 Agent 工作链路。这一部分的提示词其实没什么好深挖的，主要是有个大体的方向就可以。

Prompt法则：提需求

结合上面两点，一个是需要从 Java 转到 Python 语言，一个是具体的方向，将工作流引擎针对AI Agent 做专有优化。对于技术人员来说，比较嘴笨，不太好描述，那么这时候，直接拿出CodeBuddy来问一下。

实战演练

对提示词再分析一下，看看是否符合

基本满足要求，只是需求上，不需要代码示例。另外，丢失了 使用 Python 的语义。不过问题不大，接下来街里给下一位选手。

Craft：一键执行，解放双手

23年3月，有一个关于ReAct的论文出现。为大模型打开了新思路

论文《ReAct: Synergizing Reasoning and Acting in Language Models》

本研究提出ReAct协同框架​（Reason-Act），通过双路径机制重构大语言模型的复杂任务处理范式：

​Reason模块（思维链优化）​​

• 实现任务分解的递归式推理：将宏观问题拆解为可线性处理的子问题序列
• 思维链延长效应：实验显示推理深度与回答准确率呈显著正相关（p<0.01）

​Act模块（工具调用引擎）​​
建立动态工具链调度机制，支持：

• 外部API的上下文感知调用
• 多工具间的输出管道化传输

后来可以看到Reason模型将思维链延长后的回答准确性。

尽管思维链延长策略显著提升了单次推理准确率，其本质仍受限于传统序列化对话范式​：
需通过多轮次交互实现完整推理
就像是早期的 Cline 模式。存在相似的效率瓶颈：

• 单任务token消耗中位数达40k
• 大部分的Token资源消耗在对话状态维护上

---

同年 5 月，在此基础上衍生了新的模式 ReWOO：Reason WithOut Observation。

论文《ReWOO: Decoupling Reasoning from Observations for Efficient Augmented Language Models》

ReWOO，翻译过来就是思考且不用监督。现在你可以看到，AI 代码助手的模式转为了先制定计划，然后不断的执行。由于 MCP 的加入，能力就更强大了。

实战演示

可以看到目前 AI 的这种模式，从计划起步，同时留给了更多的可选空间。我们需要依次会打给他，如果比较全，那么下次就开始撰写代码了。

想完全任由发挥，可以勾选一下右上角的设置

到这里，基本流程结束，因为是工作流后端，所有也不好运行什么测试，想继续加入想法，可以先尝试下面这个功能

配置：规则清晰，理解透彻

对于一个全新功项目来说，上述的方法是极好的。对于已经存在的项目，似乎很麻烦。AI 总是会有自己的想法。

比如，写前端的接口时，后台明明定义了全局通用的接口，可是 AI 怎么也不听话。

还有，A 功能 应该在 A 包下，稍不注意就会蹦到 B 下面。更不用说企业里Check Style的规范。

其实这里手动复制给他还是能处理一部分场景的，但总归是有点啰嗦。

所以 CodeBuddy 最新版也跟进了Rules。并且默认是开启的

那么问题来了，给我我也不会写啊。别着急，咱会借鉴 AI 与 github。

回到 Craft 生成的前半段。

├─.rules
│ py.md

工程结构
src/core：核心功能和工作流引擎
src/api：Web API接口
src/agents：Agent定义和管理
src/workflows：工作流定义和执行
src/utils：工具函数和辅助类
tests：测试代码

github 上早就有了类似的Awsome库

名称为 awesome-cursor-rules-mdc

比如我想用 AI 提到的这个框架FastAPI

详细内容不展开了，里面还包含了CI/CD的流程。

审查：即时校验，规避风险

在全部功能开发完成并进入测试阶段前，建议优先执行代码审查（Code Review）流程，以排查潜在的显性缺陷。关于代码质量检测工具，腾讯云旗下产品CodeDog虽然提供细粒度的静态分析能力，但鉴于其并非本次讨论的核心工具，此处不作详细展开说明。

继续来说一下Code Review

目前支持三种模式

• 评审文件
• 评审变更
• 评审编辑区

比较可惜，只能单文件。下面就展示engine模块

当前异常捕获范围（Catch Scope）的问题核心在于异常类型粒度过粗（如直接捕获顶级Exception类），而非捕获逻辑的物理范围问题。考虑到本项目处于初期阶段，统一的异常处理框架尚未完整构建，这一现象属于可理解的过渡性方案。

测试：全面覆盖，保障质量

检查AI的代码时，发现test的里面没有任何代码。好像故意留下来测试这个自动测试功能。也正好作为验收。

应用到该文件就好了。记得测试前，运行pip安装下所需依赖

pip install -r requirements.txt

最后

国产的 AI Coding 正从“跟随者”迈向“引领者”，技术普惠与生态协同将重塑软件开发范式。无论你是做什么开发，都不应该缺少这样一个AI Coding 工具。

未来，我们或许会看到这样的场景：

开发者对AI说：“做一个电商秒杀系统，支持10万QPS，兼容信创环境。”
几分钟后，一套完整代码+部署方案已就绪——而这不再是科幻。