1. Agent otrzymuje zadanie (opis funkcji, zgłoszenie błędu, polecenie) oraz dostęp do repozytorium. 2. Planuje kroki i przeszukuje kod, aby zlokalizować odpowiednie pliki. 3. Przez interfejs agent–komputer wykonuje akcje: edycja plików, uruchamianie poleceń, kompilacja, testy. 4. Obserwuje wynik (logi, błędy, wyniki testów) i włącza go do kolejnej iteracji rozumowania. 5. Powtarza cykl planowanie → działanie → obserwacja, dopóki testy nie przechodzą lub zadanie nie zostanie ukończone. 6. Przedstawia zmiany (np. diff/pull request) do przeglądu. Podstawą jest LLM z możliwością wywoływania narzędzi (tool use), często osadzony w „harness" zarządzającym kontekstem, pamięcią i uprawnieniami.
Klasyczne asystenty kodu (autouzupełnianie, sugestie w edytorze) wymagają, by to programista prowadził cały proces: rozumiał repozytorium, uruchamiał testy i integrował zmiany. Agent kodujący automatyzuje te wieloetapowe, żmudne zadania inżynierskie — od zrozumienia zgłoszenia po naprawę, uruchomienie testów i przygotowanie zmian — redukując ręczną, powtarzalną pracę i skracając czas realizacji.
Zestaw narzędzi udostępnianych modelowi (edycja plików, przeszukiwanie kodu, uruchamianie poleceń i testów), zaprojektowany pod niezawodne działanie agenta.
Iteracyjna pętla, w której agent planuje, wykonuje akcję, obserwuje jej wynik i koryguje kolejne kroki.
Infrastruktura zarządzająca kontekstem, pamięcią, uprawnieniami i orkiestracją wywołań narzędzi wokół LLM.
Wieloetapowe działanie agenta generuje długie trajektorie, które przekraczają okno kontekstu LLM.
Agent z dostępem do terminala i plików może wykonać groźne polecenia lub zostać zmanipulowany przez treści z repozytorium/sieci.
Duże, autonomicznie wykonane zmiany bywają trudne do oceny, co utrudnia weryfikację poprawności.
Masowa adopcja asystentów kodu opartych na LLM w formie sugestii i autouzupełniania w edytorze.
Ustanowienie standardu pomiaru zdolności modeli/agentów do rozwiązywania rzeczywistych zadań inżynierii oprogramowania.
Interfejsy agent–komputer i pełne pętle agentowe umożliwiły autonomiczne rozwiązywanie zadań; pojawiły się komercyjne produkty (np. Devin).
Agenci kodujący stali się codziennym narzędziem, a wyniki na SWE-bench Verified przekroczyły 70%.
