如何用 Pydantic-AI 自己寫一個 AI 編程 Agent
市面上已經有不少成熟的 AI 編程工具，它們確實很厲害，可以做很多事情。但是在實際使用過程中，我發現一個問題：這些工具總是太通用，和我的工作流程并不完全匹配。它們缺少針對我項目特性的“個性化”。于是，我萌生了一個想法：為什么不自己動手，做一個完全貼合我需求的 CLI 編程助手呢？
于是，我決定用 Pydantic-AI 搭建屬于自己的 AI 編程Agent?，F在，它不僅能幫我修復測試、查文檔，甚至還能修改代碼。下面，我就來分享整個過程，以及為什么我選擇自己動手。
為什么要自己動手？
市面上的商業工具，比如 GitHub Copilot 或 Claude Code 確實很酷，但它們就像超市買來的餅干：方便快捷，但總是少了一點“專屬感”。
我的項目有一些奇怪的配置，還有一些 AWS 的特性，讓通用工具經常束手無策。自己動手的好處有三個：
1. 量身定制：你的助手會完全適應項目的復雜性和混亂。
2. 學習與掌控：自己搭建過程讓你理解這些 AI 工具是怎么運作的，這種知識非常寶貴。
3. 決策自主：想先修復代碼再看測試？沒問題，你說了算。
打個比方：當然外賣披薩很快，但自己挑配料，總是更合心意。
我的 AI 助手結構
我的Agent并不是一個神秘黑盒，它由幾個模塊組合而成：
? 大腦：Claude Sonnet 4（通過 AWS Bedrock），理解代碼就像長期 pair programming 的搭檔。
? 膠水：Pydantic-AI，使搭建Agent像堆積樂高一樣簡單。
? 工具：MCP Servers，一些小插件，用于跑測試或查文檔。
? 交互界面：純 CLI，輸入命令即可獲取答案，無需華麗 GUI。
這里 MCP 是關鍵，它像一個通用連接器，你可以像插 USB 一樣添加工具，無需復雜集成。
第一步：從最基礎開始
我先用 Python 的快速包管理器 uv 搭建基礎環境：
uv init
uv add pydantic_ai
uv add boto3這里只安裝了兩個包：pydantic-ai 用于搭建Agent，boto3 用于與 AWS 交互。接著在 main.py 里寫了以下內容：
import boto3
from pydantic_ai import Agent
from pydantic_ai.mcp import MCPServerStdio
from pydantic_ai.models.bedrock import BedrockConverseModel
from pydantic_ai.providers.bedrock import BedrockProvider
from botocore.config import Config as BotocoreConfig
bedrock_config = BotocoreConfig(
read_timeout=300,
connect_timeout=60,
retries={"max_attempts": 3},
)
bedrock_client = boto3.client(
"bedrock-runtime", region_name="eu-central-1", config=bedrock_config
)
model = BedrockConverseModel(
"eu.anthropic.claude-sonnet-4-20250514-v1:0",
provider=BedrockProvider(bedrock_client=bedrock_client),
)
agent = Agent(model=model)
if __name__ == "__main__":
agent.to_cli_sync()運行：
uv run python main.py立刻就能進入 CLI。我輸入：“寫一個反轉字符串的函數”，它就輸出了干凈的 Python 代碼。簡直太神奇了，但這只是開始。
第二步：讓它幫我跑測試（我最討厭手動跑）
每天頻繁運行 pytest？太浪費時間了。我給Agent加了一個工具來處理：
import subprocess
@agent.tool_plain()
def run_unit_tests() -> str:
"""使用 uv 跑單元測試"""
result = subprocess.run(
["uv", "run", "pytest", "-xvs", "tests/"],
capture_output=True,
text=True
)
return result.stdout現在我只需輸入：“測試掛了，幫我看看！” 它就能運行 pytest，分析錯誤，并給出修改建議。早期有一次，它試圖去“修測試而不是修代碼”，結果我立刻給它設定了規則。
第三步：給Agent一些開發規則
智能歸智能，但還是得指導它。我寫了一段開發說明，讓它知道我的偏好：
instructions = """
你是我 XXXXXX 項目的編程小助手。開發規則如下：
- **測試失??？修代碼**：測試是標準，代碼必須符合。只有測試明顯錯誤時才改測試。
- **保持簡單**：只修復問題，不重寫整個程序。新功能先寫測試。
- **精簡函數**：每個函數只做一件事。正確處理異常，注意測試配置陷阱。
閱讀錯誤信息就像破案一樣，找到真正問題再動手。
"""
agent = Agent(instructions=instructions, model=model)現在，它會遵循 TDD 和小修原則，不再輕易大改代碼。
第四步：用 MCP 插件增強它
MCP 服務器就像小應用，為Agent添加新技能，本地運行保證數據安全。我用了幾個：
? 安全 Python 沙箱：
run_python = MCPServerStdio(
"deno",
args=[
"run",
"-N",
"-R=node_modules",
"-W=node_modules",
"--node-modules-dir=auto",
"jsr:@pydantic/mcp-run-python",
"stdio",
],
)? 最新文檔查詢：
context7 = MCPServerStdio(command="npx", args=["-y", "@upstash/context7-mcp"], tool_prefix="context")? AWS 知識庫：
awslabs = MCPServerStdio(
command="uvx",
args=["awslabs.core-mcp-server@latest"],
env={"FASTMCP_LOG_LEVEL": "ERROR"},
tool_prefix="awslabs",
)
aws_docs = MCPServerStdio(
command="uvx",
args=["awslabs.aws-documentation-mcp-server@latest"],
env={"FASTMCP_LOG_LEVEL": "ERROR", "AWS_DOCUMENTATION_PARTITION": "aws"},
tool_prefix="aws_docs",
)? 網絡搜索：
internet_search = MCPServerStdio(command="uvx", args=["duckduckgo-mcp-server"])? 智能代碼推理：
code_reasoning = MCPServerStdio(
command="npx",
args=["-y", "@mettamatt/code-reasoning"],
tool_prefix="code_reasoning",
)? 桌面指揮官：
desktop_commander = MCPServerStdio(
command="npx",
args=["-y", "@wonderwhy-er/desktop-commander"],
tool_prefix="desktop_commander",
)這一套下來，它可以：
1. 跑測試。
2. 查文檔。
3. 修改代碼。
4. 再次驗證測試。
就像和一個永遠不偷零食的 AI 搭檔 pair programming。
改變我的開發流程
自從有了這個Agent，我的工作方式徹底改變：
? 調試像團隊協作：它能運行測試、給出修復建議，并解釋原因。
? 學習更快：新庫？它能演示例子、指出坑點。
? 不再切換標簽：文檔、搜索、AWS 全都在一個 CLI 里。
? 更聰明的問題解決：一步步推理，而不是簡單輸出代碼。
? 內置代碼審查：提交前發現潛在問題，就像有個隨叫隨到的資深開發。
我的總結與經驗
1. MCP 是核心：不是單一工具，而是組合魔力。測試 + 文檔 + 編輯 = 高效。
2. 實時信息勝過訓練數據：實時搜索與最新文檔總是比舊訓練數據靠譜。
3. 思考比敲代碼重要：智能Agent是合作伙伴，而不僅是自動補全。
4. 上下文很關鍵：Agent記住測試錯誤，修改代碼時不用反復提醒。
5. 定制化是王道：通用工具也許能用，但自己的助手更懂你的代碼庫。
打造一個自己的 CLI 編程小助手，不僅提高了效率，也讓整個開發過程變得更有趣、更可控。對我來說，這已經不只是一個工具，而是一位永不疲倦、懂我項目的“編程搭檔”。
