把 AI 编码助手变成“多线程”工作流：Async Code Agent 完整实践指南

用一杯咖啡的时间，把原本需要排队等待的代码任务，变成批量并行处理。

为什么要让 AI 同时做很多事？

过去，我们让 Claude Code 这样的 AI 助手一次只改一个文件、跑一次测试、提一条 PR。
现在，Async Code Agent 把每次「等待」变成「并行」：

同时让 3 个不同模型的 agent 给同一段代码做审查；
在同一仓库里并行跑 5 条重构任务，互不干扰；
最终把通过测试的任务一键生成 PR，失败的直接回滚。

一句话：把时间花在「决策」而不是「排队」上。

Async Code Agent 是什么？

它是一个开源的 任务管理系统，把「AI 驱动的编码任务」封装成可并行的容器任务，并通过一个类 Codex 的网页界面管理。

主界面
图 1：任务列表页，每个卡片即一次并行任务

结果对比
图 2：不同 agent 产出的 diff 可以并排查看

核心能力速查表

能力	用日常语言解释	实际场景举例
多 Agent 并行	同时跑多个 AI 模型	让 Claude Code 与 GPT-4 一起重构同一函数，看谁更简洁
容器级隔离	每条任务都在独立容器里，互不干扰	一条任务把依赖升级崩了，其他任务继续跑
Git 全流程	自动克隆、提交、推送、开 PR	任务跑完直接发 PR，省去手工操作
结果对比	网页端并排查看 diff、测试报告	一眼就能看出哪份代码通过了 CI
一键自托管	Docker Compose 一条命令即可本地或服务器部署	公司内网也能用，数据不离开本地

入门：十分钟跑起来

1. 准备环境

已安装 Docker 与 Docker Compose
一个 Anthropic API Key（Claude 用）
（可选）一个 Supabase 项目，用来持久化数据

2. 一键启动

# 克隆代码
git clone <repo-url>
cd async-code

# 复制环境模板
cp server/.env.example server/.env

# 编辑 server/.env，把 ANTHROPIC_API_KEY 填进去
# 如果用 Supabase，再把 SUPABASE_URL、SUPABASE_ANON_KEY、SUPABASE_SERVICE_ROLE_KEY 填进去

# 构建并启动
docker-compose up --build -d

启动成功后：

前端：http://localhost:3000
后端 API：http://localhost:5000

3. 可选：Supabase 建表

进入 Supabase 的 SQL Editor，粘贴并执行 db/init_supabase.sql 即可。

使用流程（Step by Step）

Step 1 设置 GitHub Token

首次打开网页，会提示输入 GitHub Personal Access Token，权限只要 repo 即可。

Step 2 指定仓库

在「Repository」输入框里填：

owner/repo-name
branch: main

Step 3 选择 Agent

下拉框里默认有 claude-code，后续你可以自己扩展别的模型。

Step 4 提交任务

在「Task」文本框里用自然语言描述需求，例如：

把 utils.py 里所有 print 语句改成 logging，并补全单元测试。

点击「Run」，系统会：

克隆仓库到独立容器；
启动 agent 执行指令；
跑测试；
把结果回传到前端。

Step 5 对比 & 合并

左侧树形目录浏览文件 diff；
点击「Create PR」即可把通过测试的变更推送到 GitHub 并打开 PR。

FAQ：你可能会问的问题

Q1：没有 GPU 能跑吗？
A：可以。Agent 调用的是云端模型（如 Claude），本地只负责调度和容器，资源消耗极低。

Q2：公司内网无法访问 GitHub 怎么办？
A：把仓库先镜像到内网 GitLab，再把 origin 改成内网地址即可。

Q3：怎样增加新模型？
A：在 server/agents/ 新建 Python 文件，实现 run(task_context) 接口，然后在 agents.yaml 注册即可。

Q4：任务失败了如何调试？
A：网页上直接点开任务卡片底部「Logs」即可查看容器 stdout/stderr，和在本地 docker logs 看到的内容完全一致。

开发模式：如何改前端或后端

步骤	前端（Next.js）	后端（Flask）
1	`cd async-code-web && npm install`	`cd server && pip install -r requirements.txt`
2	`npm run dev` 监听 3000 端口	`python main.py` 监听 5000 端口
3	热更新自动刷新浏览器	修改代码后 Flask 自动 reload

生产部署：最小可用清单

在 server/.env 把 FLASK_ENV=production 与 FLASK_DEBUG=False
导出环境变量：
```
export NODE_ENV=production
```
构建并启动：
```
docker-compose up --build -d
```
日志监控：
```
docker-compose logs -f
```

架构速描（面向技术决策者）

前端：Next.js + TypeScript + TailwindCSS，CSR 为主，接口走 REST。
后端：Python Flask，负责把任务翻译成 Docker API 调用。
任务隔离：每任务一个容器，镜像内预装语言运行时与依赖。
数据持久化：可选 Supabase Postgres 表 tasks, runs, outputs。
扩展点：
- 新模型 → 新增 agent 模块；
- 新仓库类型 → 新增 GitProvider 类；
- 新通知渠道 → 新增 Notifier 类。

一句话总结

Async Code Agent 把「AI 帮我写代码」这件事，从单线程脚本升级成可扩展、可对比、可回滚的流水线。
把重复劳动留给机器，把决策权留给你。

Async Code Agent：让AI编码助手多线程工作的秘密武器