哦，对了 AutoDev 文档在这里：https://ide.unitmesh.cc/mcp/mcp-server.html。

上个月，我们在 AutoDev 中添加了双向 MCP 的能力，AutoDev 作为一个 MCP 服务端，可以被任何 Agent Tool 调用；同时，AutoDev 作为一个 MCP 客户端，可以调用任何 MCP Tool。而随着，国内 MCP 生态的不断发展，我们进一步构建了 AutoDev 的调试器（AutoDev MCP Debugger）， 以便于更好地调试和测试 MCP 服务。。查看当前

AutoDev 本地智能体系统给开发者带来了真正的控制权。你定义行为，而不是接受行为你组合模块，而不是等待功能更新你掌控模型，而不是被平台绑定每个开发者都应该拥有属于自己的 AI 编程助手，而不是为一个 “通用 Copilot” 妥协。这，就是 AutoDev 想做的事。📌 项目地址：https://github.com/unit-mesh/autodev📚 文档 & 快速上手：https:/

我正在创建 mpp-server 服务，它可以为 mpp-ui 中的 Android 提供 remote 的 AI Coding Agent 能力，即在 Android 上可以选远程 Project，然后提供 Http API 和 Koog 或者 Ktor 提供 SSE/Streaming API 来提供远程的数据，先前的 ComposeRenderer.kt 接口就是提供统一的跨平台渲染能力。无

因此，我们在经典的各类工具 MCP 封装的基础上，加上了 GitHub 工具的封装，可以自动获取 issue，并将分析结果和任务规划结果写入到 issue 中。在探索过程中，我们使用 Augment（~~虽然 AutoDev IDEA 很强~~，但是显然 Augment 是至今最强的 AI 编程助手）来帮助我们完成了第一个版本的 AI Agent 设计 —— 基于我们从 VSCode 重构出来的内

在 Agent 流行的今天，Agentic RAG 并不是一种新的技术， 我们在 Cursor、Claude Code、Antigravity 等中看到的 Agent 在接受用户的输入之后， 做了一系列 read file、grep、codebase 等操作本身，就是 Agentic RAG。既然，我们在 AutoDev 多端版本中已经构建了多个 Agents，那么再构建一个新的 Agent 难度

因此，在现阶段（2025.08，毕竟模型能力还会继续提升）而言，我们更多的还是关注 在使用 AI 来提升在迁移的不同阶段的提升，即在迁移的 workflow 中引入 AI 来提升效率。而 AI 编程工具的完善与 Vibe Coding 的兴起，为我们带来了一种全新的可能性：它将这些碎片化的任务连接成一个智能协同的工作流，助力我们跨越理解、转换、重构、部署的每一步。这种"用 AI 来构建更强大的 A

领域特定的输出格式。主管-专家模式（层级结构）：一个“主管 Agent”（Supervisor）或“协调员 Agent”（Coordinator）负责接收高层级的用户目标，将其分解为一系列子任务，然后根据每个子任务的性质，将其分派给相应的“专家 Agent”。尽管，我们并不一定需要引入 A2A 架构，如我们在 AutoDev 中实现的机制是，将 A2A 协议的 Agent 以 MCP 工具的形式暴

Copy/Paste 是一个非常有效的开发方式，但是它们一点儿也不适合维护——为了改一个拼写错误，要去修改代码中的七八个文件，打人的心都有了。如果万一我们是要替换这七八个...

在开发 IDE 插件 AutoDev 时，我们一直遵循着 Unit Mesh 的基本思想，即 AI 所生成的应该是可执行的单元（Unit）。在底层构建丰富的各类单元/工具， 再结合 DevIns 来构建强大的智能体能力。在初步完成了 AutoDev 的整体蓝图（MVP）之后，我们开始强化原来的准确性问题，即 AI 所生成的代码是否可以被编译器编译，是否可以被测试覆盖等。在这些 功能中，我们最想解决