什么是工具链工程，为何需要关注？

如何实现零行手写代码来交付软件产品？

今日友人相询，我意识到自己无法给出简明答案，于是深入探究了一番。

原来答案就藏在如何设计你的工具链之中。

作者：@shirmeir86

等一下，这到底是什么？工具链工程指什么？

这正是当前编码智能体领域最重要的趋势。如今最核心的挑战在于：如何验证AI生成的代码而无需逐行审阅？如何确保智能体不会破坏生产环境或删除数据？

我最近读到一项有趣的实验：三位工程师构建并发布了一款内部测试版软件，其中零行代码由人工编写——包括应用逻辑、测试、CI配置、文档、可观测性工具乃至内部工具链，所有代码均由Codex生成。

他们如何做到的？关键不在于编写应用程序，而在于设计工具链。

工具链具体指什么？

可以把AI智能体想象成一匹强大的赛马。工具链就是跑道、马眼罩和骑手缰绳的集合，确保它始终沿着正确方向奔跑，而非冲入观众席。

正如我的同事Arthur Thompson今日所阐释：对智能体而言，工具链由所有包裹大语言模型的确定性组件构成。

Balaji Subramaniam在其博客中详细阐述了这些确定性组件**——**编排层、执行沙箱、状态持久化以及验证工具。

若想构建可靠的智能体系统，你的工作重心需从编写逻辑转向设计运行环境。以下是你需要关注的重点：

• 设定严格边界： 不要让智能体自行判断可操作范围。实施严格的访问控制（例如将其限制在特定沙箱中），防止意外破坏生产数据。
• 构建“修复闭环“： 智能体难免会犯错。优秀的工具链能自动捕获错误（如构建失败或测试不通过），并将清晰的日志反馈给智能体，使其能自主修复代码。
• 提供导航图而非说明书： 正如OpenAI团队发现的，切勿用海量指令文件压垮智能体。应逻辑化组织代码库，让智能体在工作过程中渐进式发现上下文。

代码示例

实际应用中这是什么样子？以下示例使用Google Antigravity SDK配合Google ADK配置本地工具链。请注意我们如何将智能体严格限制在特定工作空间（workspaces=[“./sandbox”]），并为其提供记忆存储位置（save_dir=“./trajectories”），使其能从历史经验中学习：

import os
from google.adk.labs.antigravity import AntigravityAgent
from google.antigravity import LocalAgentConfig
from google.antigravity.hooks import policy

# 确保工作空间的绝对路径
sandbox_dir = os.path.abspath("./sandbox")
os.makedirs(sandbox_dir, exist_ok=True)
save_dir = os.path.abspath("./trajectories")

# 1. 设计工具链环境
sdk_config = LocalAgentConfig(
    system_instructions="你是一个乐于助人的本地环境助手。",
    workspaces=[sandbox_dir],
    # 允许智能体在受限沙箱边界内安全写入
    policies=[policy.allow_all()], 
    save_dir=save_dir,
)

# 2. 将配置包装为在工具链内运行的智能体
root_agent = AntigravityAgent(
    name="antigravity_assistant",
    description="在ADK中运行Antigravity SDK智能体。",
    config=sdk_config,
)

策略确保智能体仅能访问Sandbox文件夹

策略确保智能体仅能访问Sandbox文件夹

有了这套设计，你可以将遗留代码放入沙箱，编写简单循环对其运行单元测试，让智能体迭代修复自身缺陷。

添加测试

那么，如何对这个沙箱化的智能体实际运行测试呢？

在现代工具链工程中，测试是智能体工作流图谱的活跃组成部分。通过Google ADK 2.0引入的基于图的工作流，你可以将测试验证步骤定义为简单的路由节点。

测试通过则任务完成；若失败，工具链会自动将错误信息反馈给智能体重试。注意其中的内置“熔断机制“： 我们跟踪迭代次数，防止智能体陷入无限修复循环，此时工具链会安全终止进程。

from google.adk.agents.context import Context
from google.adk import Event
from google.adk.events.event_actions import EventActions
from google.genai import types

# 3. 在沙箱中评估代码
def execution_test_node(ctx: Context):
    # 安全追踪尝试次数，防止无限循环
    iteration_count = ctx.state.get("iteration_count", 0) + 1
    ctx.state["iteration_count"] = iteration_count
    
    test_passed = ctx.state.get("test_passed", False)
    feedback = ctx.state.get("feedback", "")
    
    if test_passed:
        # 成功！结束工作流。
        return Event(actions=EventActions(route="END"))
        
    if iteration_count > 5:
        # 熔断机制：智能体已卡死，终止循环
        return Event(actions=EventActions(route="END"))
    
    # 失败！将错误追踪信息反馈给智能体并循环。
    feedback_msg = f"单元测试失败，错误追踪如下：\n\n{feedback}"
    
    return Event(
        content=types.Content(role="user", parts=[types.Part(text=feedback_msg)]),
        actions=EventActions(route="loop_back")
    )

若想查看此测试路由模式的完整实现，可参阅Balaji的ADK工具链示例库。

使用基于图的工作流连接所有组件

要连接智能体与测试节点，可通过工作流图谱精确规划执行流程，无需编写复杂的嵌套Python循环。

可将其理解为在赛道上绘制实际车道：

from google.adk import Workflow

# 4. 将智能体与测试节点连接成循环
repair_loop = Workflow(
    name="repair_loop",
    edges=[
        # 第一步：定义主序列（起始 → 智能体 → 测试节点）
        ("START", root_agent, execution_test_node),
        
        # 第二步：若测试返回"loop_back"，则返回智能体
        (execution_test_node, {"loop_back": root_agent})
    ]
)

测试循环

测试循环

恭喜！你已构建出自主系统。智能体编写代码后交付测试节点，若测试失败并返回loop_back路由，智能体将携带错误日志再次尝试。

更多循环模式示例请参阅ADK示例库。

亲自尝试

你可能会疑惑：为何需要Python脚本来运行智能体？在普通聊天界面中，你本身就是工具链——负责复制错误日志并监督模型运行。而软件工具链使系统能自我监督，从而实现完全自动化的测试驱动开发，或安全重构大型遗留代码库。

在本地机器上运行此自修复循环，设置过程不超过五分钟：

• 安装框架： 在终端运行pip install "google-adk[antigravity]"获取开源Agent Development Kit及Antigravity集成。
• 设置API密钥： 从Google AI Studio获取免费Gemini API密钥，并导出至环境变量（export GEMINI_API_KEY="你的密钥"）。
• 运行循环： 将上述代码块保存为Python脚本，将损坏的Python或Node文件放入新建的./sandbox目录，运行脚本即可。
• 扩展图谱： 单元测试仅是基础。要让工具链坚不可摧，可在工作流中加入第二个AI智能体（如SecurityAuditor），在代码通过前进行审查，或接入自定义检查器以强制执行严格的架构规范。

此后，你可将简单测试节点替换为实际执行pytest或npm test的子进程，从而获得功能完备的修复闭环。

若准备投入规模化应用，可从antigravity.google下载完整IDE和CLI工具，探索用于远程执行的Antigravity托管智能体，以及google的ADK 2.0实现基于图的工作流。

延伸阅读

我的Google同事们精心编写了系列指南。如需了解如何构建安全智能体环境，请查阅Sara展示的Cloud Run沙箱实操教程。若想掌握自我纠正技术，Balaji Subramaniam近期发布的智能体循环工程深度解析值得研读。欲观此技术在企业级场景的应用，请阅读James O’Reilly关于使用智能体流水线与Antigravity自动化大规模遗留系统现代化的案例分析。