Ang coding agent ay isang AI agent na ang mga tool ay ang editor, file system at terminal mo.
Paano ito gumagana
Tumatanggap ang agent ng task sa simpleng wika at gumagana sa isang loop. Sa bawat turn, sumasagot ang model o nagbabalik ng mga tool call gaya ng “basahin ang file na ito”, “i-apply ang edit na ito” o “patakbuhin ang tests”. Pinapatakbo ng tool host ang mga ito, idinadagdag ang output at tinatawag ulit ang model.
Inilalarawan ito ng docs ng Claude Code bilang “an agentic coding tool that reads your codebase, edits files, runs commands, and integrates with your development tools.” (Salin ng BroadRouter: “isang agentic coding tool na nagbabasa ng codebase mo, nag-e-edit ng mga file, nagpapatakbo ng mga command, at kumokonekta sa mga development tool mo.”) Parehong loop ang sinusunod ng Aider, Cline at mga katulad na tool, na may ibang interface at permission model.
Iginigiit ng SWE-agent paper (Yang et al., 2024) na bagong uri ng user ang mga agent na nangangailangan ng sariling interface, isang “agent-computer interface”, gaya ng pangangailangan ng tao sa IDE. Gamit ang interface nila, iniulat ng mga awtor ang pass@1 rate na 12.5% sa SWE-bench benchmark, na tinawag nilang state of the art noong panahong iyon.
Isang karaniwang run, bilang mga request sa model:
| Hakbang | Output ng model | Mga token na ipinadala bilang input |
|---|---|---|
| 1 | run_tests() |
system prompt + tools + task |
| 2 | read_file("src/parse.py") |
hakbang 1 + output ng test |
| 3 | edit_file(...) |
hakbang 2 + laman ng file |
| 4 | run_tests() |
hakbang 3 + diff |
| 5 | “Fixed; tests pass.” | hakbang 4 + output ng test |
Lumalaki ang input sa bawat hakbang, dahil ipinapadala ulit ang buong history.
Bakit ito mahalaga
- Gastos. Ang mahahabang task ay maraming request na may malalaki at halos paulit-ulit na input. Kinukuwenta ng post tungkol sa run cost ang totoong mga numero, at nakalista sa pagbabawas ng gastos ng coding agent ang mga lever.
- Context. Napupuno ng mahahabang session ang context window. Gumagamit ang mga agent ng context compaction at subagents para makontrol ito.
- Angkop na model. Kailangang maaasahang sumunod ang model sa tool schemas sa maraming turn. Tingnan ang pinakamahusay na open model para sa coding agents.
- Kaligtasan. Puwedeng makasira ang agent na nagpapatakbo ng mga command. Panatilihing naka-on ang approval para sa mga mapanirang action at ituring na hindi mapagkakatiwalaang input ang laman ng repository (prompt injection).
Sa BroadNet Inference
Puwedeng tumawag sa BroadNet sa https://inference.broadnet.ai/v1 ang mga coding agent na tumatanggap ng OpenAI-compatible na base URL. May mga setup guide para sa Aider, Cline at iba pa. Nakalista sa docs ng BroadNet ang tool calling para sa GLM 5.3 at Qwen3.8 27B.
Sa pay-as-you-go, pinapayagan ng isang key ang 30 request kada minuto at 4 na sabay-sabay. Sakop ng mga flat-rate plan (Full Moon, Orbit, Meteor) ang DeepSeek V4.1 Flash nang walang token meter. Isang request lang kada pagkakataon ang pinapatakbo ng isang session, na bagay sa isang agent. Kung nagpapatakbo ka ng mga agent nang parallel, o ng agent na nagsisimula ng subagents, bumili ng isang session para sa bawat request na sabay na tumatakbo. Ipinapakita ng gabay sa mga session ang kuwenta.