微软 Copilot Cowork 解析：基于 Kotlin 构建 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。而新一代的 AI 助手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） 的完整闭环。

• 感知：读取邮件、文档、代码仓库。
• 规划：拆解任务，决定先做什么后做什么。
• 执行：调用工具，生成内容，发送反馈。

这种能力的背后，是大模型的进化。开发者看中的是它在长文本处理和逻辑推理上的优势。

实战：用 Kotlin 手搓一个 AI Agent

虽然部分闭源产品无法直接复用，但我们可以利用大模型 API 来模拟它的工作流。为了保证调用的稳定性和成本控制，推荐使用兼容主流 SDK 的第三方 API 服务。

为什么选择通用 API？

构建 Agent 需要频繁调用大模型进行推理。通用 API 服务通常具备以下特点：

1. 接口兼容：可以直接使用标准的 OpenAI SDK，迁移成本几乎为零。
2. 模型全：支持多种主流模型，让你在同一个接口下体验不同模型的优势。
3. 专线优化：Agent 的运行依赖于多次连续的 API 调用，任何一次失败都可能导致任务中断。稳定的网络环境能有效保障复杂任务链的执行。

代码实现

下面是一个简单的 Kotlin 示例，展示如何通过 API 调用大模型来模拟一个简单的任务规划 Agent。

import okhttp3.MediaType.Companion.toMediaType
import okhttp3.OkHttpClient
import okhttp3.Request
import okhttp3.RequestBody.Companion.toRequestBody
import org.json.JSONObject
import java.util.concurrent.TimeUnit

// 配置 API Key
const val API_KEY = "YOUR_API_KEY"

// 替换为你的 API 地址
const val BASE_URL = "https://api.openai.com/v1/chat/completions"

val client = OkHttpClient.Builder()
    .connectTimeout(60, TimeUnit.SECONDS)
    .readTimeout(60, TimeUnit.SECONDS)
    .build()

fun main() {
    val task = "帮我分析一下项目代码，并写一份重构计划"
    println("收到任务：")

    
     plan = think(task)
    println()
}

: String {
     prompt = .trimIndent()

     jsonBody = JSONObject().apply {
        put(, )
        put(, org.json.JSONArray().put(JSONObject().apply {
            put(, )
            put(, prompt)
        }))
    }.toString()

     request = Request.Builder()
        .url(BASE_URL)
        .addHeader(, )
        .addHeader(, )
        .post(jsonBody.toRequestBody(.toMediaType()))
        .build()

    client.newCall(request).execute().use { response ->
         (!response.isSuccessful)  RuntimeException()
         responseBody = response.body?.string()
         jsonResponse = JSONObject(responseBody)
         jsonResponse.getJSONArray().getJSONObject()
            .getJSONObject().getString()
    }
}