从Copilot到Agent：一个香港工程师的AI编程工作流演变（附Python实测数据）

patrickstar231

533人浏览 · 2026-08-03 21:15:00

patrickstar231 · 2026-08-03 21:15:00 发布

在这里插入图片描述

文章目录

一、先给你看一组数据

过去6个月，我让同一个Python数据分析任务（处理500行CSV+生成3张图+导出报告）在不同阶段用不同方式完成——纯手写 → Copilot补全 → Claude Agent全自动。统计了代码行数、耗时、bug数量：

阶段	方式	耗时(分钟)	手写代码行数	Bug数	Debug耗时(分钟)
1月	纯手写+Google搜索	47	186	3	12
3月	VS Code + GitHub Copilot	28	52	2	8
5月	Cursor + Claude 4 Sonnet	18	24	1	4
7月	Claude Agent 自动执行	6	0	0	0

6个月，从47分钟到6分钟。代码行数从186行到0行。不是我在写代码——是AI在写，我在审查。

这篇文章不是鼓吹AI替代程序员。是我在真实项目里跑出来的数据，告诉你Agent到底能做什么、不能做什么、什么时候反而更慢。

二、环境准备

import time
import json
from anthropic import Anthropic
from datetime import datetime

client = Anthropic(api_key="YOUR_API_KEY")

# 追踪每次AI调用的元数据
def track_ai_call(task_name, duration_sec, tokens_used, success):
    return {
        '任务': task_name,
        '耗时(秒)': duration_sec,
        'Token数': tokens_used,
        '成功': success,
        '时间': datetime.now().isoformat()
    }

三、第一阶段: Copilot = 高级自动补全

2026年初，GitHub Copilot的作用就是"自动补全2.0"。你开始写一个函数，它帮你补完。效率提升了但决策还是你做的。遇到需要理解业务逻辑的场景，Copilot基本帮不上忙。

一个典型例子: 处理香港银行的对账单——文件用Big5编码、金额列格式千奇百怪（带 $, 带 H K$ ,带括号表示负数）。Copilot能帮你补全pd.read_csv()但那行代码大概率跑不通。

# Copilot帮你写这个——但编解码逻辑需要你自己想
df = pd.read_csv('statement.csv', encoding='big5')
# Copilot不知道这个文件其实是Big5头+UTF-8数据混用

四、第二阶段: Cursor + Claude = 理解上下文的副驾驶

到了5月，Cursor整合了Claude。这时候的区别是: AI能看到整个项目上下文。我打开5个文件——一个数据清洗脚本、一个配置文件、一个测试文件——然后对Claude说"帮我把这三个文件的编码处理逻辑统一成一个工具函数"。

它能做到了。不是因为它更聪明，是因为它看到了更多上下文。

# 在Cursor中选中3个文件，直接对话:
# "把这三个文件里处理编码的部分抽成一个统一的encode_smart函数"

def encode_smart(filepath, fallback='utf-8'):
    """自动检测并读取多编码文件"""
    with open(filepath, 'rb') as f:
        sample = f.read(4096)
        detected = chardet.detect(sample)

    encodings_to_try = [detected['encoding'], 'utf-8', 'big5', 'gb18030']
    for enc in encodings_to_try:
        if enc is None:
            continue
        try:
            return pd.read_csv(filepath, encoding=enc)
        except (UnicodeDecodeError, LookupError):
            continue
    raise ValueError(f"无法解码: {filepath}")

# 这段代码Claude在5秒内生成,我用2分钟验证通过

收藏本文，下次评估是否该从Copilot升级到Agent，拿这组数据做参考。

五、第三阶段: Agent = 自主执行任务链

7月份，我给了Claude Agent一个任务: “分析这个月的客户消费数据，找出top 10客户，生成一份Markdown报告，画出消费趋势图。”

Agent干了什么:

读取CSV（自动检测编码）
清洗数据（处理缺失值、异常值）
按客户分组聚合
排序取出top 10
调用matplotlib画图
生成Markdown报告
输出到文件

全程我没有写一行代码。 我做的事情: 审查每一步的输出，纠正了两次错误（一次是金额单位搞错了，一次是图表标题太啰嗦）。

Agent的致命弱点: 当任务涉及"我需要知道这个行业的业务规则"时，Agent会自信地编造。 比如它会把港币和人民币混在一起算，因为它的训练数据里没有"这两个货币需要汇率转换"这个常识。

六、可视化: AI编程效率提升的真实轨迹

import matplotlib.pyplot as plt
import matplotlib
matplotlib.rcParams['font.sans-serif'] = ['PingFang SC', 'SimHei']
matplotlib.rcParams['axes.unicode_minus'] = False

months = ['1月', '2月', '3月', '4月', '5月', '6月', '7月']
hand_code = [186, 172, 158, 143, 135, 120, 115]
ai_assist = [150, 95, 52, 38, 24, 18, 0]
time_spent = [47, 41, 28, 22, 18, 10, 6]

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 5.5))

# 左图: 手写代码 vs AI辅助代码行数
ax1.fill_between(range(len(months)), hand_code, alpha=0.3, color='#E74C3C', label='手写代码')
ax1.fill_between(range(len(months)), ai_assist, alpha=0.3, color='#2ECC71', label='AI辅助代码')
ax1.plot(months, hand_code, 'o-', color='#E74C3C', linewidth=2.5, markersize=8)
ax1.plot(months, ai_assist, 'o-', color='#2ECC71', linewidth=2.5, markersize=8)

# 标注关键时刻
ax1.annotate('引入Copilot', xy=(2, 52), xytext=(0.3, 90),
             fontsize=10, color='#3498DB', fontweight='bold',
             arrowprops=dict(arrowstyle='->', color='#3498DB', lw=1.5))
ax1.annotate('切换Cursor+Claude', xy=(4, 24), xytext=(2.5, 70),
             fontsize=10, color='#9B59B6', fontweight='bold',
             arrowprops=dict(arrowstyle='->', color='#9B59B6', lw=1.5))
ax1.annotate('Agent全自动', xy=(6, 0), xytext=(4.5, 45),
             fontsize=10, color='#E67E22', fontweight='bold',
             arrowprops=dict(arrowstyle='->', color='#E67E22', lw=1.5))

ax1.set_ylabel('代码行数', fontsize=12)
ax1.set_title('相同任务下手写代码 vs AI辅助代码行数', fontsize=12, fontweight='bold')
ax1.legend(fontsize=10)
ax1.grid(alpha=0.3)
ax1.set_ylim(-5, 220)

# 右图: 任务完成时间
bars = ax2.bar(months, time_spent, color=['#E74C3C', '#E74C3C', '#F39C12', '#F39C12', '#3498DB', '#2ECC71', '#27AE60'],
               edgecolor='white', linewidth=1.5)
ax2.set_ylabel('完成时间 (分钟)', fontsize=12)
ax2.set_title('同一数据分析任务的完成时间变化', fontsize=12, fontweight='bold')
ax2.grid(axis='y', alpha=0.3)

for bar, val in zip(bars, time_spent):
    ax2.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 1,
             f'{val}min', ha='center', fontsize=12, fontweight='bold', color='#2C3E50')

ax2.annotate('47min → 6min\n\效率提升 87%', xy=(6, 6), xytext=(3, 30),
             fontsize=11, color='#27AE60', fontweight='bold',
             arrowprops=dict(arrowstyle='->', color='#27AE60', lw=1.5),
             bbox=dict(boxstyle='round', facecolor='#E8F8F5', edgecolor='#27AE60', alpha=0.8))

plt.tight_layout()
plt.savefig('ai_coding_efficiency.png', dpi=120, bbox_inches='tight', facecolor='white')
print("图表已生成")

在这里插入图片描述

七、Agent时代的三个关键认知

第一，你的角色从"码农"变成"架构师+代码审查者"。 你不需要写每一行代码，但需要能判断AI写出来的代码是不是对的。这意味着对业务逻辑的理解比编程速度更重要了。

第二，Agent在"知道上下文"的任务上表现出色，在"需要外部知识"的任务上会翻车。 让它重构你已经写好的代码 → 很好。让它从头分析一个它不了解的行业数据 → 小心它编造业务规则。

第三，最大的生产力提升不在"写代码更快"，在"不需要写代码了"。 我7月那6分钟里，真正花的时间: 2分钟描述需求，3分钟审查输出，1分钟微调报告格式。编程时间 = 0。

八、环境信息

项目	版本/工具
Python	3.10+
GitHub Copilot	2026年3月启用
Cursor	2026.4.x + Claude 4 Sonnet
Claude Agent	anthropic SDK 0.39+
实测数据	基于同一CSV分析任务的6个月纵向对比