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

快速解决vscode远程连接时copilot提示脱机状态无法使用的问题

本文在以下博客的基础上进行进一步的补充。VsCode远程连接服务器后安装Github Copilot无法使用_vscode copilot chat用不了-ZEEKLOG博客 在vscode中，通过ssh或docker等连接远程服务器时，在远程窗口中可能会无法使用copilot，提示处于脱机状态。 只需要在设置(setting)中搜索"extension kind"，点击settings.json； 进入settings.json后，找到"remote.extensionKind"，加入如下"Github."开头的4行代码即可。 重启远程连接后，即可畅通使用copilot的ask和agent模式，也可以进行代码补全。

AI写作大师Qwen3-4B-Instruct技术架构深度解析

AI写作大师Qwen3-4B-Instruct技术架构深度解析 1. 引言：从轻量模型到高智商写作引擎的演进 近年来，随着大语言模型在参数规模、训练数据和推理能力上的持续突破，AI 写作已从简单的文本补全发展为具备复杂逻辑推理与创造性生成能力的“智脑”系统。在这一背景下，阿里云推出的 Qwen3-4B-Instruct 模型凭借其 40 亿参数规模和专为指令理解优化的架构设计，成为当前 CPU 环境下最具实用价值的中等规模模型之一。 相较于早期 0.5B 级别的入门模型，Qwen3-4B-Instruct 不仅在知识覆盖广度和语言连贯性上实现显著提升，更关键的是其在长文本生成、多步逻辑推理和代码结构理解方面展现出接近人类专家水平的能力。这使得它特别适用于需要深度思考的场景，如小说创作、技术文档撰写、Python 脚本生成等。 本文将深入剖析 Qwen3-4B-Instruct 的核心技术架构，解析其为何能在无 GPU 支持的环境下依然保持稳定高效的推理性能，并探讨其在实际应用中的工程优化策略。 2. 核心架构解析：Transformer 与指令微调的深度融合 2.1 基

llama.cpp 安装与使用指南

llama.cpp 安装与使用指南 最新在使用llama.cpp的开源框架，所以简单写一下安装过程以及相关的介绍。 llama.cpp 是一个高性能的开源推理框架，用于在 CPU 和 GPU 上运行 LLaMA 系列及其他兼容的 Transformer 模型。 它的特点是轻量、跨平台、可在无显卡的设备上运行，同时对显卡显存利用率很高。 1. 项目介绍 llama.cpp 主要功能： - 支持多种量化格式（Q4, Q5, Q8, Q2 等），显著减少显存占用。 - 支持 CPU、GPU（CUDA、Metal、OpenCL、Vulkan）等多种后端。 - 提供简单易用的 CLI 和 HTTP 服务接口。

Llama-3.2-3B部署优化：Ollama配置context window与token限制详解

Llama-3.2-3B部署优化：Ollama配置context window与token限制详解 如果你正在使用Ollama运行Llama-3.2-3B，可能会遇到这样的问题：对话聊着聊着，模型好像“失忆”了，不记得之前说了什么；或者当你输入一段稍长的文本时，直接被截断，只处理了前面一小部分。 这通常不是模型本身的问题，而是默认的上下文长度（context window）和token限制设置不够用。今天，我就来手把手教你如何调整这些关键参数，让你的Llama-3.2-3B真正“火力全开”，处理更长的对话和文档。 1. 核心概念：为什么需要调整Context Window和Token限制？ 在深入操作之前，我们先花两分钟搞懂两个关键名词，这能帮你更好地理解为什么要调整，以及调整到什么程度合适。 1.1 什么是Context Window（上下文窗口）？ 你可以把Context Window想象成模型的工作记忆区或“短期记忆”。它决定了模型在生成下一个词时，能“看到”并参考之前多长的文本。 * 默认情况：很多模型，包括Ollama默认拉取的Llama-3.2-3B，