哈曼卡顿Harman Kardon One(哈曼卡顿智能音箱)
156.1MB · 2026-03-12
你是否想过，为什么现在的 AI 编程助手（如 Cursor、Windsurf）不仅能聊天，还能直接帮你创建文件、运行命令、甚至调试项目？
秘密不在于模型本身更聪明，而在于**AI Agent（智能体）**架构。
本文将带你通过几十行 Node.js 代码，结合 LangChain 框架，从零手写一个“迷你版 Cursor”。我们将赋予大模型“手”和“脚”，让它能读写文件、执行终端命令，从而自动完成一个完整的 React TodoList 项目。
很多人认为 AI 只是聊天机器人，但 AI Agent = 大模型 (LLM) + 记忆 (Memory) + 工具 (Tools) + 规划 (Planning) 。
如果把大模型比作一个超级大脑：
我们今天要做的，就是给这个“大脑”装上“手”（File System Tools）和“脚”（Command Line Tools）。
我们需要一个简单的 Node.js 环境。
初始化项目：
mkdir my-cursor
cd my-cursor
npm init -y
npm install @langchain/core @langchain/openai zod chalk dotenv
@langchain/core: Agent 的核心框架。zod: 用于定义工具的输入参数结构（让 AI 知道怎么传参）。chalk: 让终端输出更漂亮。dotenv: 管理 API Key。配置环境变量 (.env)：
OPENAI_API_KEY=your_api_key_here
OPENAI_BASE_URL= # 以阿里云/Qwen为例
MODEL_NAME=qwen-coder-plus # 选择一个擅长代码的模型
这是最关键的一步。我们需要用代码定义几个函数，告诉 AI：“如果你需要读文件，就调这个；如果需要运行命令，就调那个。”
read_file, write_file)利用 Node.js 原生的 fs/promises 模块，我们可以轻松实现文件操作。
import { tool } from '@langchain/core/tools';
import fs from 'node:fs/promises';
import path from 'node:path';
import { z } from 'zod';
// 读取文件工具
const readFileTool = tool(
async ({ filePath }) => {
const content = await fs.readFile(filePath, 'utf-8');
return `文件内容: ${content}`;
},
{
name: 'read_file',
description: '读取指定路径的文件内容',
schema: z.object({
filePath: z.string().describe('文件路径，例如 src/App.tsx')
})
}
);
// 写入文件工具
const writeFileTool = tool(
async ({ filePath, content }) => {
// 自动创建不存在的目录 (递归模式)
const dir = path.dirname(filePath);
await fs.mkdir(dir, { recursive: true });
await fs.writeFile(filePath, content, 'utf-8');
return `文件写入成功：${filePath}`;
},
{
name: 'write_file',
description: '向指定路径写入文件内容，如果目录不存在会自动创建',
schema: z.object({
filePath: z.string().describe('文件路径'),
content: z.string().describe('要写入的代码或文本')
})
}
);
execute_command)这是让 AI 拥有“执行力”的关键。我们可以让它运行 pnpm install 或 npm run dev。
import { spawn } from 'node:child_process';
const executeCommandTool = tool(
async ({ command, workingDirectory }) => {
const cwd = workingDirectory || process.cwd();
return new Promise((resolve) => {
// 拆分命令，例如 "pnpm install" -> ["pnpm", "install"]
const [cmd, ...args] = command.split(' ');
const child = spawn(cmd, args, {
cwd, // 指定工作目录
shell: true, // 允许使用 shell 特性
stdio: 'inherit' // 直接在终端显示输出
});
child.on('close', (code) => {
if (code === 0) {
resolve(`命令执行成功：${command}`);
} else {
resolve(`命令执行失败，退出码: ${code}`);
}
});
child.on('error', (err) => {
resolve(`命令执行出错: ${err.message}`);
});
});
},
{
name: 'execute_command',
description: '执行 Shell 命令，支持指定工作目录。注意：不要在这个命令里写 cd，直接用 workingDirectory 参数！',
schema: z.object({
command: z.string().describe('要执行的命令，如 pnpm install'),
workingDirectory: z.string().optional().describe('可选：指定在哪个文件夹运行')
})
}
);
list_directory)让 AI 能够“看”到当前有哪些文件，方便它进行下一步操作。
const listDirectoryTool = tool(
async ({ directoryPath }) => {
const files = await fs.readdir(directoryPath);
return `目录内容:n ${files.map(f => `- ${f}`).join('n')}`;
},
{
name: 'list_directory',
description: '列出指定目录下的所有文件和文件夹',
schema: z.object({
directoryPath: z.string().describe('目录路径')
})
}
);
export { readFileTool, writeFileTool, executeCommandTool, listDirectoryTool };
有了工具，我们需要一个“指挥官”来协调它们。这个指挥官就是一个简单的循环（Loop） ：
以下是核心代码 (index.mjs)：
import { ChatOpenAI } from '@langchain/openai';
import { HumanMessage, SystemMessage, ToolMessage } from '@langchain/core/messages';
import { readFileTool, writeFileTool, executeCommandTool, listDirectoryTool } from './all_tools.mjs';
import chalk from 'chalk';
import 'dotenv/config';
// 1. 初始化大模型
const model = new ChatOpenAI({
modelName: process.env.MODEL_NAME,
apiKey: process.env.OPENAI_API_KEY,
baseURL: process.env.OPENAI_BASE_URL,
temperature: 0, // 代码生成需要精确，温度设为0
});
// 2. 绑定工具
const tools = [readFileTool, writeFileTool, executeCommandTool, listDirectoryTool];
const modelWithTools = model.bindTools(tools);
async function runAgent(query) {
// 系统提示词：赋予 AI 角色和规则
const messages = [
new SystemMessage(`
你是一个全栈编程助手。你的任务是使用提供的工具完成用户的开发需求。
当前工作目录：${process.cwd()}
重要规则：
1. 执行命令时，如果需要切换目录，请使用 workingDirectory 参数，严禁在 command 中使用 'cd' 命令。
2. 每次只做一个动作，等待结果后再进行下一步。
3. 遇到错误要分析原因并尝试修复。
4. 回复要简洁，只汇报关键进展。
`),
new HumanMessage(query)
];
// 3. Agent 核心循环 (最多执行 30 步，防止死循环)
for (let i = 0; i < 30; i++) {
console.log(chalk.bgGreen(`n 第 ${i+1} 轮思考中...`));
// 调用大模型
const response = await modelWithTools.invoke(messages);
messages.push(response); // 记录 AI 的思考
// 情况 A: AI 没有调用工具，说明它认为任务完成了，直接输出最终回答
if (!response.tool_calls || response.tool_calls.length === 0) {
console.log(chalk.blue("n 任务完成！AI 的最终回复："));
console.log(response.content);
return;
}
// 情况 B: AI 调用了工具，我们需要执行这些工具
for (const toolCall of response.tool_calls) {
console.log(chalk.yellow(`️ 正在执行工具: ${toolCall.name}`));
// 找到对应的工具函数并执行
const foundTool = tools.find(t => t.name === toolCall.name);
if (foundTool) {
try {
const result = await foundTool.invoke(toolCall.args);
// 将工具执行结果作为“观察”反馈给 AI
messages.push(new ToolMessage({
content: result,
tool_call_id: toolCall.id
}));
} catch (error) {
messages.push(new ToolMessage({
content: `工具执行出错: ${error.message}`,
tool_call_id: toolCall.id
}));
}
}
}
}
console.log("️ 达到最大迭代次数，任务可能未完成。");
}
// 测试任务
const task = `
创建一个 React TodoList 应用：
1. 使用 pnpm create vite 创建项目 react-todo-app (模板 react-ts)。
2. 修改 src/App.tsx，实现带分类筛选、本地存储、精美渐变背景和动画的 TodoList。
3. 安装依赖 (pnpm install)。
4. 启动开发服务器 (pnpm run dev)。
请一步步执行，确保每个步骤成功后再进行下一步。
`;
runAgent(task);
当你在终端运行 node index.mjs 后，你会看到类似以下的过程：
第 1 轮思考：AI 决定先创建项目。
️ 正在执行工具: execute_commandpnpm create vite react-todo-app --template react-ts 的运行日志。 第 2 轮思考：AI 收到“创建成功”的反馈，决定去修改 src/App.tsx。
️ 正在执行工具: write_file第 3 轮思考：AI 决定安装依赖。
️ 正在执行工具: execute_command (workingDirectory: "react-todo-app")pnpm install 的进度条。第 4 轮思考：依赖装好了，启动服务器！
️ 正在执行工具: execute_commandLocal: 。任务完成：AI 告诉你：“项目已创建并启动，请访问 localhost:5173 查看你的 TodoList。”
此时，你去文件夹里一看，项目真的存在了！ 代码真的写好了！服务器真的跑起来了！
通过这个简单的 Demo，我们揭示了 Cursor 等现代 AI 编程工具的底层原理：
fs 和 child_process 将虚拟的代码转化为现实的文件和进程。接下来你可以做什么？
现在，你不再是 AI 的使用者，你是 AI 能力的构建者。动手试试吧，你的专属“数字员工”就在几十行代码之后！
156.1MB · 2026-03-12
31.0MB · 2026-03-12
117.49M · 2026-03-12
