探索 LLM 應用的過程中，LLM作為 Agent 的"大腦"有著無限可能。其中，"代碼編寫"已經成為了少數幾個成功大規模落地的場景之一，這讓我們不禁想到：既然 LLM 可以寫出高質量的代碼，為什么不能讓它更進一步，編寫并運行代碼來控制 Agent 自身的行為呢？這樣運行邏輯，就不簡簡單單的是“下一個”這么簡單，而是讓Agent擁有分支、循環等各種復雜邏輯。

這個想法雖然聽起來有點魔幻，但仔細想想確實是可行的。在這篇文章中，我想和大家分享我們是如何一步步構建這樣一個能夠"自我編程"的 Agent 的歷程。

我們的目標是將Agent模式，打造成一個“師弟”，一個真正能在內部的DevOps系統中，能幫得上忙的AI助手。

• 技術架構方面，我們在 ReAct Agent 模式基礎上進行了深度優化：

• 改造傳統 JSON + 組裝調用方式，基于Py4j，實現" Code+泛化調用 "機制，顯著提升工具調用的靈活性和執行效率；

• 采用 Spring Boot 技術棧構建后端架構，整合 Spring AI 生態及 Spring AI Alibaba 能力完成模型接入；

• 通過 內部評測平臺 和 內部觀測平臺 實現全鏈路評測與觀測；

• 底層工具采用 Mcp 協議實現業務能力補充；

• 基于 A2A 協議實現 Multi Agent 架構，高效對接各子 Agent；

• 模型策略采用混合部署方案，根據不同場景使用最優模型：

• 翻譯/數據提取任務：Qwen3-Turbo（低延遲優先）；

• 思考/動態代碼生成：Qwen3-Coder（強化代碼能力）；

• 通用場景：按需調用各個平臺提供的Qwen、Deepseek等模型 （Agent內部模塊分布）；