从代码生成到自主决策：打造一个Coding驱动的“自我编程”Agent

探索 LLM 应用的过程中，LLM作为 Agent 的"大脑"有着无限可能。其中，"代码编写"已经成为了少数几个成功大规模落地的场景之一，这让我们不禁想到：既然 LLM 可以写出高质量的代码，为什么不能让它更进一步，编写并运行代码来控制 Agent 自身的行为呢？这样运行逻辑，就不简简单单的是“下一个”这么简单，而是让Agent拥有分支、循环等各种复杂逻辑。

这个想法虽然听起来有点魔幻，但仔细想想确实是可行的。在这篇文章中，我想和大家分享我们是如何一步步构建这样一个能够"自我编程"的 Agent 的历程。

我们的目标是将Agent模式，打造成一个“师弟”，一个真正能在内部的DevOps系统中，能帮得上忙的AI助手。

• 技术架构方面，我们在 ReAct Agent 模式基础上进行了深度优化：

• 改造传统 JSON + 组装调用方式，基于Py4j，实现" Code+泛化调用 "机制，显著提升工具调用的灵活性和执行效率；

• 采用 Spring Boot 技术栈构建后端架构，整合 Spring AI 生态及 Spring AI Alibaba 能力完成模型接入；

• 通过 内部评测平台 和 内部观测平台 实现全链路评测与观测；

• 底层工具采用 Mcp 协议实现业务能力补充；

• 基于 A2A 协议实现 Multi Agent 架构，高效对接各子 Agent；

• 模型策略采用混合部署方案，根据不同场景使用最优模型：

• 翻译/数据提取任务：Qwen3-Turbo（低延迟优先）；

• 思考/动态代码生成：Qwen3-Coder（强化代码能力）；

• 通用场景：按需调用各个平台提供的Qwen、Deepseek等模型 （Agent内部模块分布）；