wsl-docs

Coding Agent 的舒适区

发布日期：2025-12-19来源：https://baoyu.io/blog/coding-agents-comfort-zone9分钟阅读

摘要

1) 一句话总结

本文通过 Simon Willison 使用 GPT-5.2 将 Python 库 JustHTML 成功移植为 JavaScript 库的案例，总结了 Coding Agent 在代码翻译、自动化测试闭环和预设架构下的“舒适区”及最佳实践。

2) 关键要点

  • 案例数据：Simon Willison 仅用约 8 条提示词、140 万个 Token 和 43 次提交，通过 Codex CLI + GPT-5.2 将纯 Python 库 JustHTML 移植为零依赖的 JS 库，生成约 9000 行代码并跑通 9200+ 个测试用例。
  • 舒适区一：跨语言翻译：大语言模型非常擅长在不同编程语言之间进行“照葫芦画瓢”式的翻译（如从 Python 翻译到 JS）。
  • 舒适区二：完整的测试集：拥有标准测试集（如 html5lib-tests）能让 Agent 自动收集报错反馈并不断自我修复，避免低效的人工测试介入。
  • 舒适区三：现成的架构设计：Agent 更适合在已有 API 或架构设计下执行“填空”任务，而非凭空设计整个项目。
  • 专家操作流程（Spec First）：第一步不直接生成代码，而是让 AI 基于现有代码先写出目标语言的设计文档（Spec）。
  • 专家操作流程（Smoke Test）：先让 AI 跑通最简单的基础链路（如 Hello World 级别的解析），确保流程可用。
  • 专家操作流程（The Loop）：结合 GitHub Actions 实现“写代码 → 跑测试 → 报错 → 读日志 → 修正”的自动化死循环（设计智能体闭环）。
  • 开发建议：日常开发中应先寻找可参考的范例，坚持“先设计后实现”，并为 Agent 提供必要的验证工具（如 Chrome Dev Tool MCP、Lint、自动化测试等）。

3) 风险与不足

  • 上下文窗口限制：Agent 受限于上下文窗口长度，无法一次性处理过长的任务，复杂项目无法将整个代码库直接交给 Agent，必须基于架构设计拆分为小任务。

正文

Simon Willison（Django 框架的联合创始人）。他一边陪家人装饰圣诞树、看电影，一边用 Codex CLI + GPT-5.2，把 Emil Stenström 的 JustHTML（纯 Python、通过 html5lib-tests）迁移成了一个纯 JS、零依赖的库，跑过了 9200+ 个 html5lib-tests 用例，最终产出大约 9000 行代码、43 次提交。

Image 1

整个过程他自己只发了 8 条左右的提示词。

当然我不是来吹 Coding Agent 或者说 GPT-5.2 多牛逼的，只是正好我发现这案例本身完美命中了 Coding Agent 的舒适区。

什么是 Coding Agent 的舒适区呢？

  1. 从一种语言“翻译”到另一种语言

大语言模型最擅长的事情之一就是“照葫芦画瓢”，或者说“翻译”，无论是自然语言还是编程语言，都能做到又快又好。

所以像这个案例中从 Python 翻译成 JS，相对就很轻松了

  1. 有完整的测试集合

想想我们日常写代码，写完都需要测试一遍，如果不对再修改，如果这个过程需要人工介入，比如一些 UI 测试，就会很低效，但是如果 Agent 能自己测试，那么它可以从测试中收集反馈不断调整不断修复，直到把问题解决。

这个 HTML5 标准有一套名为 html5lib-tests 的测试集。这是一套与语言无关的测试数据（输入是 HTML，输出是正确的解析树结构）。

这就好比你让 AI 做数学题，你虽然不懂解法，但你手里有一本带标准答案的习题册。你不需要盯着 AI 写的每一行代码（过程），你只需要看它算出的结果对不对（结果）。

  1. 已经设计好了架构，Agent 只需要“填空”

Agent 由于受上下文窗口长度限制，每次任务是没办法太长的上下文，复杂一点的项目你没法整个代码库扔过去，所以我们通常要基于架构设计将 Agent 的任务拆分成小一点的任务让它刚好在上下文窗口内完成。

所以架构设计无论对于真人的项目还是 Coding 的项目都非常重要。

Simon 这个项目他不需要凭空设计，直接让 Agent 参考那个 Python 项目的 API 设计。这意味着架构是现成的，AI 只需要基于现有架构去“翻译”。

  1. 高手来操作

武侠小说里面，同样一把剑，在高手手里能发出更大的威力，毫无疑问 Simon 是高手中的高手。

看 Simon 的操作流程： 1). 制定规范 (Spec First)： 第一条提示词不是求代码，而是扔给 AI 现有的 Python 代码，让它写一份 JavaScript 版本的设计文档（Spec）。

  1. 冒烟测试 (Smoke Test)： 让 AI 先跑通一个最简单的“Hello World”级别的 HTML 解析，确保链路是通的。

  2. 死循环测试 (The Loop)：Simon 配置好 GitHub Actions，每提交一次代码就自动运行那 9000 多个测试用例。

  • AI 写代码 → 跑测试 → 报错 → AI 读错误日志 → 修正代码 → 再跑测试。

  • 结果：AI 像个不知疲倦的程序员，用了 140 万个 Token，提交了 43 次，直到所有绿灯亮起。

Simon 把这个过程称为 “设计智能体闭环” (Designing the Agentic Loop)。

这就是为什么这项目对于 Agent 来说做起来很成功。

既然我们知道 Coding Agent 的舒适区或者说强项在哪里，其实我们在开发时也可以充分发挥它的强项，比如说：

  1. 不要着急实现，先看看有没有“葫芦”可以照着画“瓢”

  2. 尽量让 Agent 自己去验证需求，为 Agent 提供验证必须的工具，比如Chrome Dev Tool MCP、Lint、自动化测试等等

  3. 先设计好再去实现

《I ported JustHTML from Python to JavaScript with Codex CLI and GPT-5.2 in 4.5 hours》https://simonwillison.net/2025/Dec/15/porting-justhtml/

相关文档

关联主题

关系图谱

反向链接