Coding Agent

Abstract

Coding Agent 是由 LLM 和 工具系统 组成的代码执行型 Agent，能够阅读代码库、运行命令、编辑文件，并根据反馈迭代完成开发任务。

agent

调用链路: 模型推理主线 + 工具调用循环

主线是 用户请求 → LLM 推理 → 完成任务。当模型需要外部信息或执行能力时，会调用工具，并将工具结果写回上下文，继续下一轮推理。

flowchart LR
    User[用户请求] --> Reasoning[LLM 推理]
    Reasoning --> Done[完成任务]

    Reasoning -->|需要外部能力| Tool[调用工具]
    Tool -->|返回结果| Reasoning

代表性 Agent

这里关注两种生产级 Coding Agent，它们代表了不同的工程哲学：Codex CLI 和 Claude Code。

Codex CLI（OpenAI）
- Source：openai/codex
- Language：Rust
- UI：Ratatui 原生终端 TUI
- Distribution：npm、Homebrew、GitHub Releases 平台预编译二进制
- Models：OpenAI Responses API 可用模型
Claude Code（Anthropic）
- Source：闭源
- Language：TypeScript
- UI：终端交互界面
- Distribution：Native Installer、npm、Homebrew、WinGet、桌面应用
- Models：Claude Sonnet、Opus、Haiku 等

这两类 Agent 对 “如何构建安全且有效的 Coding Agent” 做出了不同取舍：Codex 更强调把执行能力放进受限环境，Claude Code 更强调在工具调用前后加入明确控制。

Codex 的核心思路是给模型较强的命令行能力，同时通过可配置的沙箱与审批策略约束它能访问和修改的范围。在支持的平台上，沙箱会依赖操作系统能力来限制文件系统和网络等资源。

Info

在这种模式下，模型可以通过 shell 组合命令、搜索代码、运行测试和修改文件；但它的行动范围由工作区、沙箱模式和用户审批共同决定。这是一种 containment-first 的思路：先承认模型可能做出意料之外的操作，再把高风险能力限制在明确边界内。

codex-sandbox

因为 shell 本身足够通用，Codex 不需要把每一种开发动作都封装成独立工具。它的工程重点不在“设计很多工具接口”，而在“让通用执行能力在可控边界内运行”。

Claude Code 的核心思路是把 Coding Agent 拆成一组更明确的工具能力，并围绕这些工具建立权限、确认和配置机制。

Info

在这种模式下，文件读写、命令执行、搜索、编辑等动作会以工具调用的形式出现；用户可以通过权限设置控制哪些操作自动允许、哪些操作需要确认、哪些操作应该拒绝。这是一种 control-at-every-layer 的思路：把风险判断前置到工具边界和用户交互中。

claude-code-control

这种设计让每类能力都更容易单独配置、审计和解释，但也意味着系统复杂度更多体现在工具协议、权限规则和交互体验上。

这两种方式没有绝对优劣，它们优化的是不同的威胁模型和使用场景。