抛弃Copilot？手把手教你用Python+Claude 3.5 Sonnet打造“全栈代码审计”Agent

优质文章学习记录

— 10 min read
抛弃Copilot？手把手教你用Python+Claude 3.5 Sonnet打造“全栈代码审计”Agent

在AI辅助编程领域，GitHub Copilot虽然方便，但往往只能针对当前文件进行补全，缺乏对“整个项目结构”的宏观理解。随着 Claude 3.5 Sonnet 在Coding Benchmarks（编程基准测试）中全面霸榜，以及 Gemini 1.5 Pro 开放百万级上下文窗口，我们完全有能力自己动手，构建一个比Copilot更懂业务逻辑的私人编程助手。本文将从AST（抽象语法树）解析开始，深入讲解如何利用Python构建一个RAG（检索增强生成）架构，并通过API聚合网关接入Claude 3.5，实现对遗留代码（Legacy Code）的自动化重构与审计。文末附带独家免费测试额度及完整源码。

一、 痛点：为什么我们需要“第二代”AI编程助手？

作为一名每天要写几百行代码的开发者，你是否遇到过以下场景：

  1. 接手“屎山”代码：前人留下的代码逻辑错综复杂，没有任何文档，Copilot只能补全语法，却无法告诉你“这个类是干嘛的”。
  2. 全局重构困难：当你修改了一个底层函数的参数，很难评估这对上层几十个调用方会产生什么影响。
  3. 模型幻觉：使用普通的GPT-3.5或4.0写代码，经常出现调用的库不存在，或者语法过时的问题。

Claude 3.5 Sonnet 的出现改变了游戏规则。 它在HumanEval和MBPP等代码测试集中，展现出了惊人的“一次通过率”。更重要的是，它的逻辑推理能力极其适合处理复杂的系统架构问题。而配合 Gemini 1.5 Pro 的超大上下文，我们甚至可以把整个Linux内核的一部分扔给它去分析。

今天，我们就用Python来实现一个CLI（命令行）工具，我给它取名为 Code-Auditor。

二、 架构设计：基于LLM的代码分析流水线

要实现一个能读懂项目的Agent，不能简单地把代码粘贴给AI。我们需要设计一个Pipeline：

  1. 文件扫描器（File Scanner）：遍历项目目录，通过 .gitignore 规则过滤掉无关文件（如 node_modules, __pycache__）。
  2. 上下文压缩（Context Compressor）：对于超大项目，直接发送会消耗巨额Token。我们需要对代码进行预处理（如去除注释、压缩空行）。
  3. 大模型网关（LLM Gateway）：通过API调用Claude 3.5 Sonnet或Gemini 1.5 Pro。
  4. 流式响应处理（Stream Handler）：实时输出分析结果，提升交互体验。
2.1 为什么选择API聚合模式？

在实战中，直接对接Anthropic（Claude的母公司）或Google的API存在两个工程难题：

  • 网络连通性：国内服务器无法直连。
  • 多模型切换：你可能希望用Claude写代码，用Gemini分析文档。维护多套SDK成本太高。

因此，本项目采用 OpenAI兼容协议 的聚合网关方案。这意味着我们可以用标准的 openai Python库，去调用Claude和Gemini，实现“一套代码，模型随意切”。

三、 环境准备与工具链

在开始Coding之前，请确保你的环境满足以下要求。

3.1 核心依赖库

我们需要安装以下Python库：

  • openai: 虽然我们要调用的不是GPT，但通过兼容协议，这是最通用的客户端。
  • pathspec: 用于解析 .gitignore 文件，避免把垃圾文件发给AI。
  • rich: 用于在终端输出漂亮的彩色文本和进度条。

bash

pip install openai pathspec rich python-dotenv

3.2 获取API Access

为了演示，我们将使用 VectorEngine 提供的算力支持。它完美支持Claude 3.5 Sonnet和Gemini 1.5 Pro，且接口格式与OpenAI完全一致。

API Key获取地址（含开发者通道）：搜索向量引擎

四、 核心代码实战：编写 Code-Auditor

我们将代码分为三个模块：scanner.py（文件处理）、client.py（模型交互）、main.py（主程序）。

4.1 模块一：智能文件扫描器 (scanner.py)

这个模块的难点在于：如何像Git一样聪明地忽略文件？

python

import os import pathspec class ProjectScanner: def __init__(self, root_dir): self.root_dir = root_dir self.gitignore = self._load_gitignore() def _load_gitignore(self): """加载.gitignore规则""" gitignore_path = os.path.join(self.root_dir, ".gitignore") if os.path.exists(gitignore_path): with open(gitignore_path, "r", encoding="utf-8") as f: return pathspec.PathSpec.from_lines("gitwildmatch", f) return pathspec.PathSpec.from_lines("gitwildmatch", []) def scan(self): """遍历项目，返回所有代码文件的内容""" file_count = 0 # 默认忽略的目录 default_ignore = {".git", "__pycache__", "node_modules", "venv", ".idea", ".vscode"} for root, dirs, files in os.walk(self.root_dir): # 修改dirs列表以跳过忽略目录 dirs[:] = [d for d in dirs if d not in default_ignore] for file in files: file_path = os.path.join(root, file) rel_path = os.path.relpath(file_path, self.root_dir) # 检查是否被gitignore忽略 if self.gitignore.match_file(rel_path): continue # 只处理代码文件（可根据需求扩展） if not file.endswith(('.py', '.js', '.ts', '.java', '.go', '.cpp')): continue try: with open(file_path, "r", encoding="utf-8") as f: content = f.read() # 拼接上下文格式：文件名 + 代码内容 code_context += f"\n\n--- FILE: {rel_path} ---\n{content}" file_count += 1 except Exception: pass # 跳过二进制文件或编码错误的文件 return code_context, file_count

4.2 模块二：Claude模型客户端 (client.py)

这里是魔法发生的地方。注意 base_url 的配置，这是我们能够在一个SDK里调用Claude的关键。

python

from openai import OpenAI import os class AIClient: def __init__(self, api_key): # 配置VectorEngine的API地址 self.client = OpenAI( api_key=api_key, base_url="https://api.vectorengine.ai/v1" ) def analyze_code(self, code_context, prompt): """ 发送请求给Claude-3.5-Sonnet """ # 构造System Prompt，赋予AI角色" 你是一名拥有20年经验的资深架构师，精通Clean Code原则。 你的任务是分析用户提供的项目代码，找出潜在的Bug、性能瓶颈，并给出重构建议。 请直接输出Markdown格式的报告，不要废话。 """ try: stream = self.client.chat.completions.create( # 这里指定模型名称，Claude 3.5 Sonnet通常映射为 claude-3-5-sonnet-20240620 # 具体名称请参考平台文档，有时平台会简化为 "claude-3.5-sonnet" model="claude-3.5-sonnet", messages=[ {"role": "system", "content": system_prompt}, {"role": "user", "content": f"项目代码如下：\n{code_context}\n\n用户需求：{prompt}"} ], stream=True, # 开启流式输出 temperature=0.2 # 代码任务需要低创造性，高准确性 ) return stream except Exception as e: print(f"API调用错误: {e}") return None

4.3 模块三：主程序入口 (main.py)

结合 rich 库，打造极客风的终端界面。

python

import os from scanner import ProjectScanner from client import AIClient from rich.console import Console from rich.markdown import Markdown console = Console() def main(): # 1. 配置API Key # 建议去 https://api.vectorengine.ai/register?aff=qsne 获取免费测试额度 api_key = os.getenv("VECTOR_API_KEY") if not api_key: console.print("[red]错误：请设置环境变量 VECTOR_API_KEY[/red]") return # 2. 获取目标路径 target_dir = input("请输入要分析的项目路径 (默认当前目录): ").strip() or "." # 3. 扫描代码 with console.status("[bold green]正在扫描项目文件...[/bold green]"): scanner = ProjectScanner(target_dir) context, count = scanner.scan() console.print(f"[blue]扫描完成！共发现 {count} 个代码文件，字符数：{len(context)}[/blue]") if len(context) > 200000: console.print("[yellow]警告：项目过大，建议切换至 gemini-1.5-pro 模型以支持超长上下文[/yellow]") # 4. 用户交互 while True: user_query = input("\n请输入你的指令 (例如: '找出代码中的安全漏洞' 或 'q'退出): ") if user_query.lower() == 'q': break ai = AIClient(api_key) stream = ai.analyze_code(context, user_query) if stream: console.print("\n[bold cyan]--- Claude 3.5 Sonnet 分析报告 ---[/bold cyan]\n") # 流式打印结果 for chunk in stream: if chunk.choices[0].delta.content: content = chunk.choices[0].delta.content print(content,, flush=True) full_response += content print("\n") if __name__ == "__main__": main()

五、 深度解析：为什么Claude 3.5更适合写代码？

在运行上述代码时，你会发现Claude 3.5 Sonnet与GPT-4o的一个显著区别：它更懂“人话”。

  1. Artifacts思维：Claude倾向于一次性生成完整的、可运行的代码块，而不是像挤牙膏一样一段段崩。
  2. 指令遵循（Instruction Following）：在复杂的Prompt下（比如要求它同时遵循PEP8规范、添加类型注解、并编写单元测试），Claude 3.5的遗漏率远低于其他模型。
  3. 视觉多模态辅助：虽然本文主要演示文本代码，但Claude 3.5的视觉能力极强。你可以截图IDE的报错弹窗发给它，它能精准定位UI层面的Bug。
进阶技巧：利用 Gemini 1.5 Pro 处理超大项目

如果你的项目是一个几十万行的老旧Java工程，Token数量轻松突破10万。这时候Claude的200k上下文可能捉襟见肘。

在 client.py 中，你只需要将 model 参数修改为 gemini-1.5-pro。 VectorEngine平台会自动将请求路由到Google的服务器。Gemini 1.5 Pro支持高达 100万甚至200万 Token 的上下文。这意味着你可以把整个框架的源码一次性喂给它，问它：“请画出这个项目的UML类图”。这种能力在以前是无法想象的。

六、 避坑指南与性能优化

在开发这个Agent的过程中，有几个技术细节需要注意：

6.1 Token截断与成本控制

虽然是按量付费，但把整个 node_modules 发过去绝对是灾难。

  • 优化方案：务必完善 ProjectScanner 中的过滤逻辑。对于Python项目，排除 venv；对于前端，排除 dist 和 build。
  • 估算：1个中文字符约等于0.7个Token，1行代码约等于5-10个Token。
6.2 提示词工程（Prompt Engineering）

针对代码重构，推荐使用 CO-STAR 框架编写Prompt：

  • C (Context): "你是一个资深Python后端工程师..."
  • O (Objective): "重构这段代码，使其符合解耦原则..."
  • S (Style): "使用Google代码风格，强制类型提示..."
  • T (Tone): "专业、严谨..."
  • A (Audience): "面向初级开发者，代码要有详细注释..."
  • R (Response): "输出Markdown格式..."
6.3 API超时处理

分析大项目时，模型思考时间可能长达30秒。确保你的HTTP Client设置了足够的 timeout 时间，或者使用流式（Stream）接收，这样可以避免连接被中间网关切断。

七、 结语

AI不会取代程序员，但“会用AI的程序员”一定会取代“不会用AI的程序员”。

从Copilot的自动补全，到我们今天构建的全局代码审计Agent，AI介入开发的深度正在不断加深。掌握API聚合技术，灵活调用Claude、Gemini等不同特性的模型，将成为未来全栈开发者的必备技能。

如果你对代码有任何疑问，或者在运行中遇到报错，欢迎在评论区留言，我会第一时间解答！

Read more

5个超实用nano banana提示词网站！7000条灵感任你选，秒变AI绘画大神！

5个超实用nano banana提示词网站！7000条灵感任你选，秒变AI绘画大神！

最近刷社交媒体，到处都是nano banana生成的惊艳图片，朋友圈都快被刷屏了！ 抱着"吃瓜"的心态试了一下， 结果直接被谷歌的nano banana狠狠震撼到了！😱 不多说，直接上干货——精心整理了近7000条提示词玩法大全，保证让你从小白秒变大神！ 资源名称收录提示词数量推荐原因资源链接youwind5676提示词多https://youmind.com/zh-CN/nano-banana-pro-promptsaiwind1000+提示词多https://aiwind.org/Awesome-Nano-Banana-images1102万颗星推荐https://github.com/PicoTrex/Awesome-Nano-Banana-imagesawesome-nano-banana1008千多颗星推荐https://github.com/JimmyLv/awesome-nano-bananaawesome-nanobanana-pro69分类全，案例实用https://github.com/ZeroLu/awesome-nanobanana-pro
一文看懂：AI编程工具深度对比：Cursor、Copilot、Trae与Claude Code

一文看懂：AI编程工具深度对比：Cursor、Copilot、Trae与Claude Code

AI编程工具深度对比：Cursor、Copilot、Trae与Claude Code 引言 在人工智能技术蓬勃发展的今天，AI编程工具已成为开发者提高效率的重要助手。从早期的代码补全插件到如今能够理解整个代码库的智能助手，AI编程工具正在不断进化。本文将对当前主流的AI编程工具——Cursor、GitHub Copilot、Trae和Claude Code进行全面对比，帮助开发者选择最适合自己的工具。 主流AI编程工具概述 Cursor Cursor是一款基于VSCode的AI驱动代码编辑器，它最大的特点是能够理解整个代码库的上下文，提供智能的代码补全和重构建议。Cursor默认使用Claude-3.5-Sonnet模型，即使是OpenAI投资的公司，也选择了Claude模型作为默认选项，这足以说明其在代码生成领域的优势。 GitHub Copilot GitHub Copilot是由GitHub与OpenAI合作开发的AI编码助手，集成在VSCode、Visual Studio等主流编辑器中。它基于OpenAI的模型，能够根据注释和上下文自动生成代码，是AI编程工具
微软 Copilot Cowork 深度解析：用 Kotlin + 147API 手搓一个 AI Agent

微软 Copilot Cowork 深度解析：用 Kotlin + 147API 手搓一个 AI Agent

微软最近发布的 Copilot Cowork 在技术圈炸开了锅。它变了。它不再是那个只会补全代码的插件，而是变成了你的 “Coworker”（同事）。基于 Anthropic 的 Claude 构建，它现在能像真人一样处理复杂任务。 作为开发者，我们不仅要会用，更要懂得背后的原理。今天我们就来拆解一下 Copilot Cowork 的核心逻辑，并教你如何利用 Kotlin 和 147API 构建一个属于自己的简易 AI Agent。 从 Chatbot 到 Agent 传统的 Copilot 就像一个实习生，你给它一个指令，它执行一个动作。而 Copilot Cowork 更像是一个成熟的合作伙伴。它具备了 感知（Perception）、规划（Planning） 和 执行（Execution）
Llama-2-7b 昇腾 NPU 测评总结：核心性能数据、场景适配建议与硬件选型参考

Llama-2-7b 昇腾 NPU 测评总结：核心性能数据、场景适配建议与硬件选型参考

Llama-2-7b 昇腾 NPU 测评总结：核心性能数据、场景适配建议与硬件选型参考 背景与测评目标 本文为适配大模型国产化部署需求，以 Llama-2-7b 为对象，在 GitCode Notebook 昇腾 NPU 环境中完成从依赖安装到模型部署的全流程落地，并通过六大维度测评验证：单请求吞吐量稳定 15.6-17.6 tokens / 秒，batch=4 时总吞吐量达 63.33 tokens / 秒，16GB 显存即可支撑高并发，最终提供可复现的部署方案、性能基准数据及硬件选型建议，助力高效落地国产算力大模型应用。 昇腾 NPU ：以华为自研达芬奇架构为核心，高效张量计算适配大模型全场景；搭载 CANN 架构简化开发，支持量化与混合并行技术平衡算力与能耗，深度兼容开源生态适配国产化需求 Llama-2-7B 模型：Meta 开源 70