人怎么做，AI Agent就可以怎么做

大家好，我是荔枝。

上一篇文章「用前朝的剑，斩本朝的官」，讲的是用传统的软件工程解决现在AI应用的问题，举的都是反面例子。

今天想从一个正面的例子来聊聊，怎么做，能真正发挥AI的能力，做出惊艳的产品。

上面这张图是 Anthropic 的收入增长曲线，他们家的核心产品是 Claude Code，一款 AI 写代码的工具。

从去年12月开始，Calude Code 快速增长，一骑绝尘，将写代码这件事儿完全用AI替代了。

之前就有同事问我，如果使用Calude Code来写代码，会不会把我本地的代码都上传呢？

开始我还不确定，仅从token消耗来看，貌似不会全部上传代码，就简单的给了同事结论，“代码不会全部上传”，具体为什么，怎么做到的，我不知道。

这不，前段时间 Calude Code「被开源」了，于是终于可以一探究竟，Claude Code 是怎么做到不读所有代码（上传代码），就能写代码的。

人怎么做，AI就可以怎么做

传统方式，需要构建RAG，将代码插入到向量数据库，方便写代码的时候进行查询。

而Claude Code中，没有任何有关于向量，RAG的字眼，取而代之的都是本地检索。

据说Claude Code曾经试图用过向量数据库，将代码向量化，存到向量库中，但是最终放弃了。

为什么呢？

一、代码时刻在变，为了保障Rag的数据一致性，每次变动代码都需要更新数据库，会导致工程复杂度提升。

二、其实我们人类读代码一般都是先查找对应的代码片段（cmd+f），然后看对应的代码逻辑，再看怎么改动。AI足够聪明，可以跟人一样，我们要做的只需要给他提供查找工具，它一样可以先查找代码片段，然后度查找的代码，最后分析怎么改。

三、大模型上下文越来越长，不用像以前需要那么节约，现在可以有更多的内容可以塞，检索的结果，可以全都给到大模型进行甄别和判断。

四、代码中基本都是文本文件，大小可控，而且不涉及到复杂的图片、pdf的检索等等。

这一切天时地利，让传统的Rag方案在Claude Code 中不再实用。

在Claude Code的代码中逻辑很简单。

给大模型了一个代码查找工具，可以通过Bash中的grep命令，快速查找到匹配的结果。

Bash工具对于人类体验不好，但是AI用起来得心应手。

AI检索到所有特定的内容，读前后部分代码，都给到大模型分析，大模型就可以知道代码的逻辑是什么样了，新的需求要怎么来写。

配上高智商的AI大模型，一切如鱼得水。

AI 行业有一个名词叫“自主性”。

如果将 bash 命令行给到 AI Agent ，具体命令行怎么用，是查找文件 grep，还是删除文件 rm，全靠大模型思考和决定，这就叫“自主性”高的 AI Agent。openclaw 🦞就是一个好的例子，它甚至可以自己写脚本，自己用。

如果你将一段业务逻辑封装成一个MCP，比如查询订单中商品件数，确定的逻辑给到AI Agent，就是“自主性”低的 AI Agent，他的确定性更高，但他只能查某个订单中商品件数，更像是一个工具。

哪些场景用哪类Agent，需要有经验AI产品，哪些能做哪些不能做，需要足够的AI Scene。

如果你还是传统软件工程的思维，很难想到还能这么干。

所以我一直都在说，在 AI行业，认知比写好代码重要多了。

有时候写了一周的代码，不如一小时写出来的效果好。

现在AI工程范式还在沉淀中，随着大模型能力的升级，这一切都还在改变。