信息来源：人大高瓴人工智能学院 发布日期：2026年4月21日

在小说阅读器读本章去阅读在小说阅读器中沉浸阅读        2026年4月13日，中国人民大学高瓴人工智能学院举办专题讲座，学院博士生卫雅珂以“从Autocomplete到CLI Agent：Vibe Coding的演进与实战”为题进行了分享。讲座围绕AI Coding工具演进、Agent核心机制、多智能体协作及Harness Engineering等方面展开，系统介绍了智能体技术及其对编程方式与工作流带来的深刻影响。

讲座开始前，文继荣院长首先致辞。他结合自身近期使用Vibe Coding工具进行编程的体验，分享了对新一代智能编程方式的理解。他指出，随着大模型与智能体工具不断发展，AI正在显著提升编程效率、拓展技术实践边界，也使研究者能够将更多精力投入核心问题与创新思考。面向这一趋势，人工智能与计算机领域的同学们更应主动了解和使用相关工具，在实践中把握技术发展的新方向。

01 AI Coding的演进与现状

讲座伊始，卫雅珂梳理了AI Coding的发展脉络。AI编程工具正从代码补全向IDE Agent，再向CLI Agent持续演进。以Claude Code为代表的CLI Agent正在推动AI从“副驾驶”走向“主驾驶”。随着工具能力不断增强，人与编程工具之间的协作方式也在发生变化。开发者的关注重点正从具体代码实现逐步转向任务定义、过程监督与结果验收。与此同时，终端驱动模式以其轻量、灵活的特点，使Agent能够应用于更多场景。

02 Agent核心机制

首先，围绕CLI Agent的核心机制，讲座介绍了几项关键设计，包括Rules、Memory、Permission、Hooks、Skills以及Sandbox等方面。报告指出，这些模块共同构成了Agent执行任务、调用工具并维持稳定运行的重要基础。其中，Rules与Memory机制帮助智能体更好地遵循指令、理解任务背景并保持上下文连续性，Permission设置与Sandbox设计则为执行过程提供了必要的安全保障，使智能体在具备更强行动能力的同时仍处于可控范围内；Hooks与Skills的引入则进一步提升了流程自动化水平和复杂任务的处理能力。

03 多Agent协作与工作流设计

针对复杂任务场景，讲座进一步介绍了多Agent协作的基本思路。在实际应用中，既可以将任务规划与具体执行分离，由主Agent负责统筹调度、子Agent承担细分任务；也可以通过团队模式引入不同角色，多Agent从多个维度协同讨论并分析问题，从而提升复杂任务处理的可靠性与效率。随后，讲座介绍了“Explore-Plan-Execute-Review”的四阶段工作流，并强调规划阶段的重要作用。前期规划越充分，任务目标、执行路径与评估标准就越清晰，后续执行过程中的偏差也就越小。

04 Harness Engineering

讲座后半部分围绕Harness Engineering展开，重点讨论了如何通过对环境、工具与流程的系统设计，提升智能体在复杂任务中的稳定性与可控性，并结合具体案例，进一步说明了Harness Engineering在提升系统表现、优化任务流程中的实际价值。随着智能体工具不断融入科研实践，部分研究工作正逐步在AI辅助下完成，研究者在其中的角色定位也在发生变化。相较于具体执行，研究者更需要将精力放在问题发掘与思路研判等关键环节。同时，AI生成内容并非天然可靠，仍需经过研究者审慎辨别和充分校验，才能更好地发挥智能体工具对科研工作的辅助作用。

总结

本次讲座系统梳理了AI Coding从Autocomplete走向CLI Agent的发展趋势，深入介绍了智能体的核心机制，为同学们理解新一代AI编程工具、探索智能体赋能科研与开发实践提供了有益参考。

讲者简介：

卫雅珂，中国人民大学高瓴人工智能学院博士生，导师为胡迪预聘副教授。主要研究内容聚焦于多模态学习机制。目前在计算机领域顶级会议和期刊上发表学术论文十余篇，包括T-PAMI、NeurIPS、ICML、CVPR、ECCV等。多篇论文荣获NeurIPS、CVPR口头报告。博士在读期间曾获博士研究生国家奖学金，百度奖学金等。