补全还是Agent？一个公式讲透AI编程范式分水岭

很多人以为换一个更强的代码补全插件，就跟上了AI编程的节奏。但真正的分水岭不在模型强弱，而在于补全（Completion）与Agent两种工作方式的区别。B站「问题导向系列」用一期短视频把这个话题讲透了：补全猜下一行，Agent完成工单。

补全与Agent的本质差异

补全最经典的形态，是光标前出现的灰色幽灵文本——你按 Tab 接受，建议通常是一行或一小段函数。它的工作边界很清晰：猜完就结束，不会根据报错自己再改。你在工单里反复挣扎，它只负责猜下一行。

Agent 则完全不同。你用自然语言下任务，它会读仓库、改多个文件、跑测试；失败后看报错、再改，直到交差。交付物往往是一份 diff，或者直接开出一个 pull request。

两者的差异不是"谁更聪明"，而是工作单元不同：补全的单位是一行代码，Agent 的单位是一个任务。

反馈循环（feedback loop）为何关键：反馈循环指的是系统根据自身动作产生的结果调整后续行为的过程。在传统编程中，这个循环由人类承担——运行代码、看报错、修改、再运行。Agent 的核心突破在于把这个循环内化：它执行测试命令后读取 stderr，据此定位失败用例，再生成修复补丁并重新验证。这一机制依赖三个前提：可执行的工具环境、可解析的输出格式、以及多轮迭代的预算控制。缺少任何一环，Agent 就会退化为“一次性生成器”。这也解释了为什么同一模型在不同产品中表现差异巨大——差距往往不在模型权重，而在循环的设计质量与工具生态的完整度。

核心公式：Agent = 模型 + Harness

视频给出了一个值得记住的公式：

Agent = 模型 + Harness

模型提供智力，harness 提供读文件、跑命令、权限控制和反馈循环。这句话的关键在于后半段——没有循环，它只是一次生成；有了循环，它才像一个初级工程师在干活。

这个拆解解释了为什么"换更强的模型"并不自动等于"更强的编程能力"。模型再强，如果外层没有读仓库、执行命令、捕获错误并重试的 harness，它依然只是一次性文本生成器。反过来，harness 的成熟度决定了 Agent 能否真正闭环：能不能读对文件、能不能跑通测试、出错后能不能自我修正。

Harness 一词的来源与含义：harness 原指马具或安全背带，在软件工程中被借用来指“包裹并驱动核心组件的框架层”。在 AI Agent 语境下，模型本身只是一个接收文本、输出文本的函数，harness 则是围绕它构建的一整套运行时基础设施：工具接口（读写文件、执行 shell 命令）、环境感知（仓库结构、依赖关系）、状态管理（多轮对话上下文）、权限沙箱（限制可访问的路径与命令）以及最关键的控制循环——即“生成动作 → 执行 → 观察结果 → 决定下一步”的迭代机制。业界有时也用 scaffold（脚手架）、agent framework 或 orchestrator 来指代同类概念。理解这一点有助于把握：模型能力的提升是渐进的，而 harness 的有无才是“生成器”与“Agent”之间的质变分界线。

该怎么选：不是非此即彼

视频的结论很务实：日常随手写代码，补全依然很香，延迟低、干扰小、接受即用。但要交差的任务——加功能、修一串相关文件——就该上能跑通反馈循环的 Agent。很多编辑器里两者可以同时开启，各管一段。

判断标准可以浓缩成一句话：别只看插件换没换，要看它会不会读仓库、跑测试、自己修。会反馈循环的，是 Agent；只会猜下一行的，还是补全。

这个框架的实用价值

把 AI 编程工具按"是否有反馈循环"来分类，比按"模型参数"或"补全准确率"排序更有解释力。它也能帮你在选型时问对问题：这个工具能不能读整个仓库？能不能执行测试命令？失败后会不会自动重试？权限边界在哪里？这些问题的答案，比"补全建议多长"更能决定它能不能替你完成工单。

据该期视频预告，后续将对比 Cursor、Claude Code、Copilot 的具体选型，值得关注。