Simon Willison llm-coding-agent 实战：用 AI 构建 AI 工具的范本

一行命令启动编码 Agent

Simon Willison 又发了个好东西。llm-coding-agent 0.1a0 已经上了 PyPI，一行命令直接跑：

1

uvx --prerelease=allow --with llm-coding-agent llm code

不需要 clone 仓库，不需要装依赖，前提是你本地有 uv 和一个 LLM API key。这玩意儿的设计哲学就是 Simon 一贯的风格：最小化安装，最大化透明。

TLDR AI 在 7 月 3 日的刊目中提到了这个发布。Simon 在他的博客上说得很清楚：这是一个 alpha 版本，用来验证他的 Agent 设计思路，不是要取代 Claude Code 或 Cursor。

它是什么

llm-coding-agent 是一个命令行编码 Agent，核心流程是：

1. 你给它一个任务描述
2. 它帮你写一份 spec.md（规格说明）
3. 调用 LLM（默认 Claude）根据 spec 生成代码
4. 跑测试——红了改，绿了提交
5. 每一步都是 git commit，可回溯

这个流程不是 Simon 发明的，但他把它做成了一个不到 500 行 Python 的可运行包。没有 Electron 壳，没有 VS Code 插件，没有云服务依赖——一个 CLI 工具加你的 API key 就完了。

技术栈拆解

llm-coding-agent 建立在 Simon 自己的两个项目之上：

llm Python 库

llm 是 Simon 开发的统一 LLM 调用库。它的核心设计是：一个 llm 命令行工具 + 一个 Python 库，支持 OpenAI、Anthropic、Google、本地模型等十几个 provider。你不需要为每个 provider 写不同的调用代码，llm.get_model("claude-sonnet-4") 就能拿到模型实例。

llm-coding-agent 直接用 llm 库做 LLM 调用，这意味着它开箱支持所有 llm 支持的 provider。你有 OpenAI key 就用 OpenAI，有 Anthropic key 就用 Claude，有本地 Ollama 就用本地模型。

Fable 5

Simon 提到这个项目用了他称为 “Fable 5” 的提示词框架。从 GitHub 仓库的代码来看，Fable 5 是一套结构化的 Agent 提示词模板，定义了 Agent 的角色、工作流程、工具使用规则等。核心思路是：把 Agent 的行为规则写成一个清晰的文档，让 LLM 在每一步都明确知道该做什么。

PyPI 包页显示这个包的依赖很轻：llm、click、rich，外加标准库。没有 LangChain，没有 LlamaIndex，没有任何重型框架。

红绿 TDD 提交模式

llm-coding-agent 的工作流里最值得说的是它的 TDD（测试驱动开发）模式：

1

spec.md → 生成测试 → 跑测试(红) → 生成代码 → 跑测试(绿) → git commit

每一步都是一个 git commit，提交信息里写清楚做了什么。这意味着：

• 你可以随时回退：每一步都是可恢复的检查点
• 你可以审查：git log 就是完整的开发日志
• 你可以接管：Agent 跑到一半你接管手动改，回来继续跑

这个设计很 Simon——他在 2024 年就开始公开讨论"用 AI 编码时版本控制是安全网"的观点，现在他把这个理念做成了工具。

和其他编码 Agent 的对比

llm-coding-agent 的定位很明确：不是日常编码工具，而是 Agent 架构的教学样本和快速原型工具。Simon 自己也在 README 里说，这个项目的首要目标是"展示一个编码 Agent 可以有多简单"。

实战：用它写一个小项目

我花了一个下午试了一下，流程大致是这样的：

第一步：初始化

1
2
3
4

mkdir my-project && cd my-project
git init
export ANTHROPIC_API_KEY=sk-xxx
uvx --prerelease=allow --with llm-coding-agent llm code

第二步：描述任务

Agent 启动后会问你想要做什么。我给了个任务：“写一个 Python 脚本，监控指定目录的文件变化，新增 .py 文件时自动跑 pylint。”

第三步：等它写 spec

Agent 先生成了一份 spec.md，包含功能需求、技术选型、测试计划。你可以修改这个 spec 再继续。

第四步：看它红绿循环

Agent 先写了测试文件，跑了——红的（因为还没实现）。然后写实现代码，再跑——绿的。自动 commit。整个过程 git log 看得清清楚楚。

第五步：接管或继续

跑到一半我发现它选的 watchdog 库依赖太重，手动改成了 os.scandir 轮询，提交后让 Agent 继续。它接上没问题的。

Simon 的方法论：用 AI 构建 AI 工具

llm-coding-agent 本身就是用 AI 构建的。Simon 在博客里提到，他用 Claude Code 写了大部分代码，然后手工整理和优化。这形成了一个有趣的循环：

• 用 Claude Code（编码 Agent）→ 写出 llm-coding-agent（另一个编码 Agent）
• llm-coding-agent 的设计理念来自使用编码 Agent 的经验
• 产出的工具又能用来构建下一个工具

这种"吃自己的狗粮"的做法让工具的设计非常贴合实际使用场景。Simon 不是在想象编码 Agent 应该怎样工作——他每天都在用，然后把觉得好用的模式固化成代码。

适用场景与局限

适合用的场景：

• 快速原型：一小时内从想法到可运行代码
• 个人项目：不需要团队协作的脚本和工具
• 学习 Agent 架构：500 行代码读一遍就能理解编码 Agent 的工作原理
• CI/CD 集成：纯 CLI，容易嵌入自动化流程

不适合的场景：

• 大型项目重构：没有 IDE 集成，跨文件重构不方便
• 团队协作：没有实时协同能力
• 需要精确控制每一步：alpha 版本，行为可能有不确定性

🎯 行动清单

1. 装 uv：如果还没装，pip install uv 或 curl -LsSf https://astral.sh/uv/install.sh | sh
2. 跑一遍 demo：找个小任务，完整体验 spec → 测试 → 代码 → commit 流程
3. 读源码：500 行 Python，重点看 Agent 的 prompt 模板和工具调用逻辑
4. 对比你的工作流：把你平时用 Claude Code 或 Cursor 的流程和 llm-coding-agent 对比，看哪些模式可以借鉴
5. 尝试自定义：fork 仓库，改 prompt 模板，看看不同提示词对 Agent 行为的影响
6. 关注 Simon 的博客：他的每次更新都有详细的设计决策记录

开放思考

llm-coding-agent 的价值不在于功能多少，而在于它提出了一个问题：编码 Agent 到底需要多复杂？

市面上主流编码 Agent 都在往"更重"的方向走——更多功能、更深集成、更大上下文窗口。Simon 反其道而行，用 500 行代码证明核心循环可以很简单。

当然，简单不等于完善。没有 IDE 集成就意味着没有实时补全和跳转，没有团队协作就意味着只能单兵作战。但作为一个"最小可行编码 Agent"，它已经足够让人思考：我们到底需要多少层抽象？

相关链接：

• GitHub 仓库：simonw/llm-coding-agent
• Simon Willison 博客：simonwillison.net
• PyPI 包页：pypi.org/project/llm-coding-agent
• llm 库文档：llm.datasette.io
• TLDR AI 7月3日刊：tldr.tech/ai/2026-07-03

延伸阅读

• skillweaver-token-optimization：SkillWeaver 架构拆解
• glm-5.2-free-deploy：GLM-5.2 免费部署指南
• gemini-free-api-setup：Gemini Free API 接入指南

觉得有用？转发给也在折腾编码 Agent 的朋友。想聊实现细节？评论区见。