HelloQoder：AI 驱动的 Agentic Coding 实践

探索人机协作编程的新范式

6 个全栈项目 · 3 种技术生态 · 1 套方法论

摘要

本文介绍 HelloQoder 项目集，这是一系列完全由 AI 编程助手 Qoder 驱动开发的全栈应用。通过 6 个涵盖不同技术领域的项目，我们展示了 Agentic Coding（智能体编程）范式在实际工程中的应用，探讨了人机协作编程的方法论、最佳实践与未来展望。

关键词：Agentic Coding、人机协作、AI 编程助手、全栈开发、Qoder

1. 引言

1.1 背景与动机

随着大语言模型（LLM）技术的快速发展，AI 辅助编程正在从简单的代码补全演进为更高级的形态。传统的 AI 编程辅助工具主要提供行级或块级的代码建议，而新一代的 Agentic Coding 范式则将 AI 定位为一个具有自主规划、执行和验证能力的"编程智能体"。

HelloQoder 项目集正是这一范式的实践成果——6 个功能完整的全栈应用，涵盖视频处理、电商微服务、心理健康平台等多个领域，全部通过与 Qoder 的对话式交互完成开发。

1.2 Agentic Coding 定义

Agentic Coding 是一种以 AI 智能体为核心的编程范式，具有以下特征：

特征	描述
自主规划	AI 能够理解高层需求，自动分解为可执行的任务序列
工具调用	AI 可以调用文件系统、终端、搜索等工具完成实际操作
上下文感知	AI 理解项目结构、技术栈约束和代码依赖关系
迭代反馈	支持基于运行结果的问题诊断和代码修正

与传统开发流程相比：

传统开发：需求文档 → 设计 → 编码 → 测试 → 部署
Agentic Coding：自然语言描述 → AI 理解 → 代码生成 → 即时反馈 → 迭代优化

2. 项目集概览

2.1 项目矩阵

HelloQoder 包含 6 个技术领域各异的项目：

项目	领域	核心技术栈	架构模式
Glimmer	桌面/移动自动化	Vue 3 + Python + GLM-4V	前后端分离
CartService	电商微服务	FastAPI + PostgreSQL + SQLAlchemy	RESTful 微服务
NovelTTSApp	语音合成	.NET 10 + GLM-TTS + NAudio	Clean Architecture
EpubToSplitTxt	文本处理	.NET 9 + VersOne.Epub	管道处理模式
MindMates	心理健康 AI	Vue 3 + .NET 10 + FastAPI + MiMo	三层架构 + DDD
BatchClip	视频编辑	FastAPI + Streamlit + FFmpeg	前后端分离

2.2 技术栈分布

后端服务
├── Python 生态
│   ├── FastAPI (异步 Web 框架)
│   ├── LangChain (LLM 编排)
│   ├── SQLAlchemy 2.0 (异步 ORM)
│   └── Milvus SDK (向量数据库)
│
├── .NET 生态
│   ├── .NET 10 / C# 13
│   ├── Microsoft Agent Framework
│   ├── Entity Framework Core
│   └── Microsoft.Extensions.AI
│
前端与 UI
├── Vue 3 + TypeScript + Vite
├── Element Plus / Tailwind CSS
├── Streamlit (Python 快速 UI)
└── VS Code Extension (TypeScript)

AI 模型集成
├── 智谱 GLM-4V / GLM-TTS
├── 小米 MiMo
├── OpenAI / DashScope 兼容
└── LightRAG (知识图谱增强)

数据存储
├── PostgreSQL (关系型)
├── Milvus (向量数据库)
└── 文件系统 (媒体资产)

3. 代表性项目深度解析

3.1 MindMates：心理健康 AI 平台

3.1.1 架构设计

MindMates 采用三层架构，实现前端、业务后端、AI 后端的职责分离：

┌─────────────┐     ┌──────────────────┐     ┌─────────────────┐
│   Frontend  │────▶│  Backend-Business │────▶│   Backend-AI    │
│  Vue 3 SPA  │     │   .NET 10 API    │     │ FastAPI + MiMo  │
└─────────────┘     └──────────────────┘     └─────────────────┘
        │                   │                        │
        ▼                   ▼                        ▼
   用户交互            PostgreSQL               Milvus
   会话管理            用户认证               RAG 检索
   消息展示            数据持久化             危机检测

3.1.2 Clean Architecture 实践

.NET 业务后端严格遵循 DDD 分层：

backend-business/
├── MindMates.Api/           # API 层：控制器、中间件
├── MindMates.Application/   # 应用层：DTO、服务接口
├── MindMates.Domain/        # 领域层：实体、仓储接口
└── MindMates.Infrastructure/# 基础设施：EF Core、外部服务

3.1.3 危机检测机制

AI 后端集成了危机关键词检测，当用户消息包含自残、自杀等敏感词汇时，优先返回求助资源：

CRISIS_KEYWORDS = ["自杀", "结束生命", "不想活了", "想死", "伤害自己"]

def detect_crisis(message: str) -> bool:
    return any(keyword in message for keyword in CRISIS_KEYWORDS)

3.2 NovelTTSApp：小说转有声书

3.2.1 Clean Architecture 实现

NovelTTSApp 展示了 .NET 生态下 Clean Architecture 的标准实现：

src/
├── Core/                    # 核心层：零外部依赖
│   ├── Entities/            # 领域实体
│   │   ├── Novel.cs
│   │   ├── AudioSegment.cs
│   │   └── VoiceReference.cs
│   └── Interfaces/          # 核心接口
│       ├── INovelReader.cs
│       ├── ITtsService.cs
│       └── IAudioProcessor.cs
│
├── Infrastructure/          # 基础设施层：接口实现
│   ├── Services/
│   │   ├── ZhipuTtsService.cs
│   │   ├── AudioProcessor.cs
│   │   └── BilibiliDownloader.cs
│   └── DependencyInjection.cs
│
└── App/                     # 应用层：编排和入口
    ├── Services/NovelProcessor.cs
    └── Program.cs

3.2.2 语音克隆工作流

支持从 Bilibili 视频提取参考音频进行声音克隆：

1. 下载 Bilibili 视频 → 提取 10 秒参考音频
2. 上传至智谱 API → 获取 file_id
3. 调用 voice/clone → 创建 voice_id
4. 使用 voice_id 调用 GLM-TTS → 生成克隆语音

4. Qoder 开发方法论

4.1 对话驱动开发（Conversation-Driven Development）

Qoder 的核心价值在于将自然语言转化为可执行的代码。以下是典型的开发对话模式：

4.1.1 项目初始化

用户输入：

"基于 rules 为我完成完整的应用程序"

Qoder 执行：

解析规则文件中的技术栈约束
创建项目结构和文件骨架
安装依赖包
实现核心业务逻辑
配置依赖注入

产出：一次对话 → 3 个项目、15+ 文件

4.1.2 代码审查

用户输入：

"Code Review"

Qoder 执行：

扫描代码质量问题
识别架构违规
检查编码规范一致性
自动修复问题

产出：两个单词 → 完整审查 + 4 处修复

4.2 规则文件：AI 的"领域知识"

规则文件是 Qoder 高质量输出的基础，典型结构：

## Codebase
- 语言: C# (.NET 10)
- 架构: Clean Architecture

## Dependencies
- Microsoft.Extensions.AI
- NAudio, Polly, Serilog

## AI Coding Rules
- 必须使用 async/await
- 优先使用流式处理
- 结合 Polly 处理重试

方面	无规则	有规则
技术栈选择	随机	精确遵循
架构风格	单体	Clean Architecture
代码风格	不一致	现代 C# 统一风格
错误处理	基础	自动应用 Polly

4.3 迭代反馈循环

用户描述需求
    ↓
Qoder 生成代码
    ↓
用户运行/测试
    ↓
反馈问题或优化点  ──→ Qoder 修复/优化
    ↓
验收完成

最佳实践：

小步迭代：每次对话聚焦一个目标
及时反馈：发现问题立即沟通
保持审查：AI 生成代码仍需人工复核

5. 技术实现细节

5.1 异步编程模式

所有项目均遵循异步优先原则：

Python (FastAPI)：

async def chat(request: ChatRequest) -> ChatResponse:
    memory = memory_manager.get_memory(request.session_id)
    response = await llm.ainvoke(messages)
    return ChatResponse(response=response.content)

.NET (C# 13)：

public async Task<AudioSegment> SynthesizeAsync(
    string text, 
    CancellationToken ct = default)
{
    var bytes = await File.ReadAllBytesAsync(filePath, ct);
    return await _ttsService.GenerateAsync(text, ct);
}

5.2 依赖注入配置

.NET 项目：

// DependencyInjection.cs
public static class DependencyInjection
{
    public static IServiceCollection AddInfrastructure(
        this IServiceCollection services, 
        IConfiguration config)
    {
        services.AddScoped<INovelReader, NovelReader>();
        services.AddScoped<ITtsService, ZhipuTtsService>();
        services.AddScoped<IAudioProcessor, AudioProcessor>();
        return services;
    }
}

Python 项目：

# 使用 FastAPI 依赖注入
@app.post("/api/chat")
async def chat_endpoint(
    request: ChatRequest,
    chat_service: ChatService = Depends(get_chat_service)
):
    return await chat_service.process(request)

5.3 容器化部署

MindMates 项目展示了完整的 Docker Compose 部署方案：

version: '3.8'
services:
  frontend:
    build: ./frontend
    ports: ["80:80"]
    depends_on: [backend-business]
  
  backend-business:
    build: ./backend-business
    ports: ["5000:5000"]
    environment:
      - ConnectionStrings__DefaultConnection=${DB_CONNECTION}
    depends_on: [postgres]
  
  backend-ai:
    build: ./backend-ai
    ports: ["8000:8000"]
    environment:
      - MIMO_API_KEY=${MIMO_API_KEY}
    depends_on: [milvus]
  
  postgres:
    image: postgres:17-alpine
    volumes: [postgres_data:/var/lib/postgresql/data]
  
  milvus:
    image: milvusdb/milvus:v2.4.0
    ports: ["19530:19530"]

6. 效率与质量分析

6.1 开发效率对比

指标	传统开发	Qoder 开发	效率提升
项目初始化	2-4 小时	5-10 分钟	10-20x
CRUD 接口	1-2 小时	2-5 分钟	15-30x
代码审查	30-60 分钟	1-2 分钟	20-30x
文档生成	1-2 小时	5-10 分钟	10-15x

6.2 代码质量指标

NovelTTSApp 项目的 Code Review 评分：4.3/5 ⭐

维度	评分	说明
架构设计	4.5	严格遵循 Clean Architecture
代码风格	4.5	现代 C# 13 特性应用
异步处理	4.0	全异步 I/O
错误处理	4.0	Polly 重试策略
可维护性	4.5	清晰的分层和接口定义

7. 经验与最佳实践

7.1 适用场景

✅ 高效场景：

原型快速搭建
标准化项目初始化
CRUD 接口生成
代码审查与重构
文档生成

⚠️ 需谨慎场景：

复杂业务逻辑
性能关键代码
安全敏感模块
算法优化

7.2 人机协作原则

清晰需求：明确功能目标和技术栈约束
规则先行：编写好规则文件再开始开发
分阶段推进：先架构，再功能，后优化
验证反馈：运行代码，发现问题，及时反馈
人工复核：AI 生成代码需人工审查后合并

7.3 问题诊断模式

当遇到问题时，Qoder 的典型诊断路径：

1. 添加调试日志 → 观察实际值
2. 检查配置优先级 → 环境变量覆盖
3. 验证依赖兼容性 → API 参数变更
4. 比对数据格式 → 向量维度/编码格式
5. 排查网络问题 → 代理/SSL/超时

8. 结论与展望

8.1 核心结论

Agentic Coding 已可用于生产级项目：6 个全栈项目的成功开发证明了这一范式的可行性。
规则文件是质量保障的关键：清晰的技术约束使 AI 输出更加可控和一致。
人机协作优于纯自动化：AI 处理重复性工作，人类把控架构和业务决策。
效率提升显著但非万能：标准化场景效率提升 10-30 倍，复杂逻辑仍需人工介入。

8.2 未来展望

今天: 对话 → 代码
明天: 对话 → 测试 → 部署
后天: 对话 → 完整 DevOps 流程

随着 AI 能力的持续提升，我们预见：

更强的上下文理解：跨文件、跨项目的全局理解
更精准的代码生成：接近人类高级工程师水平
更完善的验证机制：自动生成测试、运行验证
更深的领域适配：针对特定行业的专业 Agent

附录

A. 项目仓库结构

HelloQoder/
├── Glimmer/          # 桌面/移动自动化 Agent
├── CartService/      # 电商购物车微服务
├── NovelTTSApp/      # 小说转有声书应用
├── EpubToSplitTxt/   # Epub 电子书切分工具
├── MindMates/        # 心理健康 AI 平台
├── BatchClip/        # 批量视频编辑工具
└── README.md         # 项目总览

B. 技术资源

资源	用途
Microsoft Agent Framework	.NET Agent 开发
LangChain	LLM 应用编排
Milvus	向量数据库
智谱 AI	GLM 系列模型

C. 开发统计

指标	数值
项目数量	6
编程语言	C#, Python, TypeScript
框架数量	10+
核心对话轮次	~100 轮
生成代码行数	15,000+

Made with ❤️ by Qoder

探索 AI 驱动开发的无限可能

FilesExpand file tree

TECHNICAL_ARTICLE.md

Latest commit

History