跳转到正文
AI 编程篇约 9 分钟
打开原图 ↗

全流程总览 ​

全流程总览:一条该先走通的线 ​

站内按栏目拆得很细:选型、环境、Agent、实践各管一段。很多人卡在中间:模型买了、工具装了,效果时好时坏,账单还在涨。

根因多半不是「模型不够强」,而是没把整条链路当成一件事来管。链路末端每一次会话,先拼一份上下文,再进入多轮「检索 / 读写 / 调工具」;Rules、Skills、MCP 和你的提示都会进这份上下文,工具返回还会继续叠进去。

同一套 Agent + 同一个模型,上下文与工具配得不同,效果和账单都能差一截。
反过来:换了更贵的模型,briefing 又脏、工具又乱,多绕几圈照样不划算。

下面按顺序串完整条主线。每一步只给判断要点、具体工具入口和站内深读;细节页负责「怎么配」。

全流程主线:从选模型到少而准


1. 选模型:能力、价格、厂家 ​

先回答三件事,再谈买不买:

看什么为什么站内入口
能力编程 / 推理 / 长上下文是否够用;工具调用是否稳模型评测与榜单
价格别只看「多少钱 / 百万 token」;Agent 多轮要把账单与体感拆开看Coding Plan 与渠道 · 省钱与 Token 治理
厂家与渠道官方稳定性、区域可用性、是否接受第三方Coding Plan / 渠道

价格与体感,落到四个量上比才有用:

要素看什么
输入系统提示、Rules、读入文件、历史对话等进模型一侧;多轮体积大头常在这,单价通常低于输出
输出模型回复与工具调用决策;单价常更高,推理 / thinking 档还可能另计
缓存命中率长会话里重复前缀能否命中提示词缓存;命中高,输入侧账单会明显下来;还要确认写缓存是否收费、能否跨会话命中
首字速度首 token 延迟(TTFT);工具多轮每一跳都在等它,体感卡不卡主要看这

常见候选:Claude、GPT、Gemini、DeepSeek、Kimi、Qwen 等,先看榜单维度再定档。Agent 场景往往是「输入体积大 + 输出不短 + 轮次多」:单价、缓存规则、首字速度一起看,比单看标价靠谱。预算紧就先定月预算,再倒推能用哪档,见 省钱与 Token 治理。


2. 购买模型 API:官方或中转 / 聚合 ​

模型定了,下一步是拿到可调用的 API(或等价订阅额度):

  • 官方:合规、文档全、规则透明;门槛可能是支付、账号与区域。
  • 中转 / 聚合:降低支付与接入摩擦,但要分清倍率、额度口径与渠道风险。

链路怎么读、风险怎么判,见 API 中转站;订阅型 / 按量型对照见 Coding Plan。

到手后通常有:Base URL + API Key + 可用模型名。后面所有工具都吃这三样(或兼容形态)。


3. 网关再中转一层(可选但常见) ​

很多人不会把「买来的 Key」直接写进每一个 Agent,中间再挂一层网关。个人场景省心,团队场景几乎刚需。常见动机是:

  • 多供应商接入:官方 + 中转 + 订阅转 API 合成一个入口;统一鉴权、轮询、故障转移、协议互转
  • 订阅变 API:把 Claude / ChatGPT / Copilot 等订阅能力转成兼容接口,给 Cursor / Claude Code / Codex 等一起用
  • 团队 Token 分配:按人 / 组发子 Key、设额度与倍率,谁用多少可回收、可限流,而不是共用一把总钥匙
  • 人员用量分析:按账号、模型、时间看 token / 缓存命中 / 花费,定位「谁在烧、哪类任务在烧」
text
厂家 / 中转站(多供应商)  →  网关(鉴权 · 配额 · 路由 · 用量)  →  个人 / 团队 Agent

选型可粗分两路:

侧重典型工具适合
本机 / 个人CLIProxyAPI(CPA)、magpie、Claude Code Router自己多 Agent、多账号故障转移、本机一处切换
团队 / 自建分发New API、Sub2API、LiteLLM多渠道接入、子 Key 配额、计费与用量看板

环境侧总览见 路由与本地网关;中转站分工与倍率见 API 中转站。

没有网关也能用;一旦多家供应商、多人共用额度、或多台机器 / 多种 CLI,网关会明显省心。


4. 用 magpie 切换不同 API 服务商 ​

API 和网关配好后,日常痛点变成:Claude Code / Codex / Gemini CLI 等各自一套配置,换供应商很烦。

magpie 做可视化管理:任意 Agent 接任意模型,本机网关 + 多账号故障转移,菜单栏一处切换。适合「主力一家、备用一家、临时试新模型」。同类桌面还可看 Cockpit Tools、AI Toolbox。

magpie 可代替此前常用的 CC-Switch,并支持从 CC Switch 导入配置。更多切换类工具见 账号与供应商切换。

这一步解决的是接入面的可切换性,还不等于效果变好。效果要看后面装了什么、每次会话塞进上下文的是什么。


5. 安装 Agent,并把模型 API 配进去 ​

「能聊天」和「能干活」之间,差的是 Agent 工具链:读仓库、改文件、跑命令、调 MCP。

常见产品(一句话选型,细节进横评页):

产品一句话深读
Claude Code整库理解、批量改文件、MCP / 子 Agent,专业向Coding Agent 横评
CodexChatGPT 原生登录,开箱快;额度消耗大Codex 实践
CursorIDE 内 Agent,适合边写边改Cursor 实践
Gemini CLI / Grok CLI终端优先、绑定各自生态IDE 与编程工具
DeepSeek Harness开源 harness,一切皆插件;日常办公 + 写代码,桌面 / Web 开箱即用Agent 工作区
Kiro / Pi规格驱动上手包 / 可自扩展终端 Agent见右栏链接

每个 Agent 都要完成同一件事:指向你的 API 入口(官方 / 中转 / CPA),选好默认模型。环境底座见 开发环境准备;

装完只是「油箱和车钥匙就位」。真正决定每一次任务成败的,是引擎每次点火时读到的那份上下文。


6. 每次会话,就是一次上下文管理 ​

Agent 发起一轮请求时,并不是只把你刚打的字发出去,而是拼装一整包材料再交给模型:

text
系统提示 / Rules / 项目说明
+ 你的输入(自然语言或 /command)
+ 按需加载的 Skills
+ MCP 工具描述与工具返回
+ 对话历史、读过的文件、命令输出…
→ 模型根据这份 briefing 决策与行动

会话 briefing:多层材料拼成上下文

所以:会话管理 ≈ 上下文管理。新开会话、压缩历史、换目录、开关 MCP,都是在改 briefing 的内容与体积。

按「谁写进上下文」粗分:

成分角色深读
Rules / 项目说明长期底线与环境事实Rules
用户输入这次要干什么Commands · Prompt
Skills某类任务的 SOPSkills
MCP / 工具可调用能力;调用后结果回流MCP
工具往返产物检索命中、文件内容、命令输出随轮次累积,常是体积大头

想看清「这一轮到底塞了什么」:走 magpie 本机网关后,打开路由页可盯每次请求的路由决策与上下文窗口;用量 → 上下文里还能按系统提示、工具 / MCP、Skills、读入文件、工具输出、对话分段看各占窗口多少。


7. 干活中:多轮工具调用才是大头 ​

Agent 很少「想一次就交卷」。接到任务后,典型是多轮循环:

text
检索 / 定位 → 读文件 → 新增或修改 → 跑命令验证 → 不对再搜再改

多轮工具循环:内置工具与 MCP,上下文随轮次变长

每一跳都在调工具。粗分两类:

类型常见能力谁提供
内置工具搜仓库、读文件、编辑、跑终端Agent 产品自带
外部工具查文档、浏览器、工单、数据库等多半经 MCP 接入

代码侧常配:本地混合检索用 Zvec,调用图 / 影响面用 Codegraph,内容搜用 ripgrep。更多见 记忆 · 上下文 · 检索。

工具一返回,内容就会叠进上下文;后面每一轮往往还带着前面读过的文件、搜过的结果、跑过的日志。账单大头经常不是你打的那几句字,而是试错轮次 × 越积越长的上下文(见 省钱之道)。

合适的工具 + 写清的初始化提示,往往比「少装点东西」更能省钱。
因为它们砍的是冤枉路:少瞎搜、少猜 API、少改错文件再回滚。

对应三条:

  • Rules / 项目说明:写清入口目录、技术栈约定、禁改区域、怎么算做完
  • 刚好够用的外部工具:任务真需要查官方文档、操作某个系统,就配对应 MCP;没有它,模型只能猜或在仓库里空转
  • 不该上场的关掉:工具描述本身占上下文;误触发还会拖进一堆无关返回

8. 优化:少而准(成本与质量一起管) ​

粗规律三条:开场送得越多 Token 越多;干活轮次越多越贵;送得太少或太偏,返工往往比「多送一点点准材料」更贵。

目标不是「上下文越少越好」,而是:

在预算内,把完成任务所必需、且足够准确的材料送进去;其余不进场。工具也一样:够用就留,多余就关。

准上下文 + 刚好够用工具 vs 脏 briefing + 工具全家桶

实操习惯(与 省钱之道 一致):

  • 一事一会话,做完就收;别把无关大改塞进同一条长线程
  • Rules 保持短、硬;细则放进按需 Skills,而不是全写进永远加载的说明
  • MCP 按项目 / 按任务启用,不把全家桶常驻
  • 上下文撑满了就压缩:用 headroom / context-mode 压 tool 输出(详见 记忆 · 上下文 · 检索)
  • 强模型留给架构抉择和反复失败的坑;日常改动用性价比档

装 / 写之前先问两句:没有它,Agent 会不会多绕几圈?有了它,会不会在错误时机进上下文或被误调? 选型时优先看:

你装/写的东西质量差时优先看
提示词 / 命令目标模糊,多轮试探目标、约束、验收是否写清
Rules入口不清、改错再回滚是否短而准、是否真该永远生效
Skills流程错、边界糊是否匹配任务、是否可按需加载
MCP该有没有就瞎猜;不该有常驻就噪声大是否挡住关键一步;描述是否干净

精选入口:Awesome Agent Skills;多 Agent 编排见 多 Agent 协作工作流。

把前面收成一句:

在固定的 Agent 与模型下,你最终比的是:会不会管理送进模型的上下文,以及会不会为任务配上刚好够用的工具。

还要注意两个变量:换模型,工具调用习惯会变;换 Agent 产品,拼装上下文的策略也不同(Rules 优先级、Skill 触发、MCP 描述长度、压缩策略)。排障时建议按这个顺序想,而不是一上来就换最贵模型:

  1. 目标与验收是否写清楚?
  2. Rules 是否给出了准确入口与约束?
  3. 当前会话是否夹带了无关历史 / 无关文件?
  4. 缺不缺挡路的外部工具?多出来的 MCP 要不要关?
  5. 启用的 Skills 是否与任务匹配?
  6. 仍不够,再考虑换模型或换 Agent。

按阶段继续深读 ​

阶段去哪
选模型 / 控成本全流程总览
配环境 / 网关 / 切换开发环境准备 · Agent 工具篇
Rules / Skills / MCPAgent 工程
多 Agent 编排多 Agent 协作工作流
跑通第一个项目编程实战 · 从需求到设计原型

先把这条线在脑子里走通,再往各栏目钻细节,会少很多「装了一堆却不知道钱花在哪、效果差在哪」的空转。

发现问题或有实践经验想分享? 参与讨论 ↗

把 AI 从「会聊天」推进到「能稳定交付」