市面上已经有不少成熟的 AI 编程工具，它们确实很厉害，可以做很多事情。但是在实际使用过程中，我发现一个问题：这些工具总是太通用，和我的工作流程并不完全匹配。它们缺少针对我项目特性的“个性化”。于是，我萌生了一个想法：为什么不自己动手，做一个完全贴合我需求的 CLI 编程助手呢？
于是，我决定用 Pydantic-AI 搭建属于自己的 AI 编程Agent。现在，它不仅能帮我修复测试、查文档，甚至还能修改代码。下面，我就来分享整个过程，以及为什么我选择自己动手。
为什么要自己动手？
市面上的商业工具，比如 GitHub Copilot 或 Claude Code 确实很酷，但它们就像超市买来的饼干：方便快捷，但总是少了一点“专属感”。
我的项目有一些奇怪的配置，还有一些 AWS 的特性，让通用工具经常束手无策。自己动手的好处有三个：
- 1. 量身定制：你的助手会完全适应项目的复杂性和混乱。
- 2. 学习与掌控：自己搭建过程让你理解这些 AI 工具是怎么运作的，这种知识非常宝贵。
- 3. 决策自主：想先修复代码再看测试？没问题，你说了算。
打个比方：当然外卖披萨很快，但自己挑配料，总是更合心意。
我的 AI 助手结构
我的Agent并不是一个神秘黑盒，它由几个模块组合而成：
• 大脑：Claude Sonnet 4（通过 AWS Bedrock），理解代码就像长期 pair programming 的搭档。
• 胶水：Pydantic-AI，使搭建Agent像堆积乐高一样简单。
• 工具：MCP Servers，一些小插件，用于跑测试或查文档。
• 交互界面：纯 CLI，输入命令即可获取答案，无需华丽 GUI。
这里 MCP 是关键，它像一个通用连接器，你可以像插 USB 一样添加工具，无需复杂集成。
第一步：从最基础开始
我先用 Python 的快速包管理器 uv 搭建基础环境：
复制这里只安装了两个包：pydantic-ai 用于搭建Agent，boto3 用于与 AWS 交互。接着在 main.py 里写了以下内容：
复制运行：
复制立刻就能进入 CLI。我输入：“写一个反转字符串的函数”，它就输出了干净的 Python 代码。简直太神奇了，但这只是开始。
第二步：让它帮我跑测试（我最讨厌手动跑）
每天频繁运行 pytest？太浪费时间了。我给Agent加了一个工具来处理：
复制现在我只需输入：“测试挂了，帮我看看！” 它就能运行 pytest，分析错误，并给出修改建议。早期有一次，它试图去“修测试而不是修代码”，结果我立刻给它设定了规则。
第三步：给Agent一些开发规则
智能归智能，但还是得指导它。我写了一段开发说明，让它知道我的偏好：
复制现在，它会遵循 TDD 和小修原则，不再轻易大改代码。
第四步：用 MCP 插件增强它
MCP 服务器就像小应用，为Agent添加新技能，本地运行保证数据安全。我用了几个：
• 安全 Python 沙箱：
复制• 最新文档查询：
复制• AWS 知识库：
复制• 网络搜索：
复制• 智能代码推理：
复制• 桌面指挥官：
复制这一套下来，它可以：
1. 跑测试。
2. 查文档。
3. 修改代码。
4. 再次验证测试。
就像和一个永远不偷零食的 AI 搭档 pair programming。
改变我的开发流程
自从有了这个Agent，我的工作方式彻底改变：
• 调试像团队协作：它能运行测试、给出修复建议，并解释原因。
• 学习更快：新库？它能演示例子、指出坑点。
• 不再切换标签：文档、搜索、AWS 全都在一个 CLI 里。
• 更聪明的问题解决：一步步推理，而不是简单输出代码。
• 内置代码审查：提交前发现潜在问题，就像有个随叫随到的资深开发。
我的总结与经验
1. MCP 是核心：不是单一工具，而是组合魔力。测试 + 文档 + 编辑 = 高效。
2. 实时信息胜过训练数据：实时搜索与最新文档总是比旧训练数据靠谱。
3. 思考比敲代码重要：智能Agent是合作伙伴，而不仅是自动补全。
4. 上下文很关键：Agent记住测试错误，修改代码时不用反复提醒。
5. 定制化是王道：通用工具也许能用，但自己的助手更懂你的代码库。
打造一个自己的 CLI 编程小助手，不仅提高了效率，也让整个开发过程变得更有趣、更可控。对我来说，这已经不只是一个工具，而是一位永不疲倦、懂我项目的“编程搭档”。
