AI Coding Agent 正在改變軟體開發：Claude Code、GPT Agent 如何透過 JSON 呼叫工具和執行程式？

閱讀前速覽

概念	一句話	落在哪
Coding Agent	能讀倉庫、改檔案、跑命令的執行時	Agent loop
Claude Code	終端機裡的本地 Coding Agent	tool_use JSON
GPT Agent	會話 / 沙箱裡的編碼與電腦使用	tool_calls / code
JSON	工具名、參數、結果的契約	Schema / payload

先記住分工：模型填物件，宿主執行，迴圈讓補丁和測試連續發生。換牌子，這條 JSON 呼叫鏈不變。

Coding Agent 不是「會寫程式的聊天框」

補全模型補下一行。聊天模型解釋一段程式。Coding Agent 是第三種東西：一個把模型放進迴圈的執行時——觀察倉庫狀態，提議下一步，呼叫外部工具，消化結果，再決定繼續、停手或交給人。

2026 年能交貨的 Coding Agent，通常是三件套：

• 模型：只生成文字或結構化物件，不直接碰磁碟。
• 工具目錄：讀檔案、改檔案、跑命令、搜倉庫，有時還有瀏覽器或 MCP。
• 宿主：解析 JSON、做門禁、真正執行、把結果寫回下一輪。

若你還把 Agent、Tool Calling、Function Calling 糊成一個詞，先讀 AI Agent 完整指南。本文只談其中一種產品形態：對著真實倉庫幹活的 Coding Agent。

軟體開發被改的不是編輯器，是迴圈

過去十年，IDE 補全把「敲字元」變短。過去兩年，聊天視窗把「問缺陷」變近。Coding Agent 改的是第三件事：誰先寫出第一份可執行的補丁。

典型一天不再是「人寫完，CI 再驗」。更常見的是：

1. 人寫意圖：修這個失敗測試，或給這個 API 加欄位。
2. Agent 跑迴圈：讀倉庫、搜符號、改檔案、跑測試，把軌跡留成工具呼叫。
3. 人審 diff 和軌跡：不再從零敲出每一行，但型別、測試和權限還在。

這不是「AI 替你上班」。變的是第一稿由迴圈產出，人把關形狀和副作用。把工具與工作流收成 Schema，細節見 JSON Schema 與 AI Agent 工作流。

迴圈只做一件事：填 JSON，再讀 JSON

產品頁面會寫「自主寫程式」。工程上，一輪迴圈通常只有四跳：

1. 觀察：工作區、測試輸出、上一次工具結果進入上下文。
2. 提議：模型輸出工具名和參數物件，而不是自己去 open()。
3. 執行：宿主校驗、跑命令或改檔案。副作用發生在這裡。
4. 回寫：stdout、補丁、錯誤碼變成下一輪可見的物件。

四跳缺一門禁，JSON 就是命令。四跳齊了，你才有可回放的開發會話。AI 為什麼需要 JSON Schema 寫過：Schema 是口徑，不是 prompt 裡的「請返回 JSON」。

Claude Code：終端機裡的工具面

Claude Code 是 Anthropic 的本地 Coding Agent：跑在你的終端機，對著當前倉庫說話。模型側用 Messages API 的內容塊；工程上你每天看見的，是一串 tool_use。

常見工具面很窄，也正因為窄才好審：

• Read / Glob / Grep：先看，再改。
• Edit / Write：按精確取代或整檔寫入改倉庫。
• Bash：跑測試、安裝依賴、執行腳本。
• MCP：把外部系統接進同一套 JSON 工具表。細節見 MCP Tool Schema vs Function Calling。

模型發出的不是一段「請幫我改檔案」的散文。它發出一塊可校驗的物件：

{
  "type": "tool_use",
  "id": "call_read_1",
  "name": "Read",
  "input": {
    "path": "src/billing/refund.py"
  }
}

宿主做完事後，回寫的也是物件。stdout 可以很長，但入口仍然是 tool_result，而不是聊天氣泡：

{
  "type": "tool_result",
  "tool_use_id": "call_bash_4",
  "content": {
    "stdout": "12 passed, 1 failed",
    "exit_code": 1
  }
}

auto-mode 與確認門決定「這一跳要不要等人」。關掉門禁，迴圈會自己把 Bash 跑完——這正是開發變快的地方，也是事故半徑變大的地方。安全面見 Claude 事件與工具 JSON 與 AI Agent 安全與 JSON 驗證。

GPT Agent：會話、沙箱與 Function Calling

OpenAI 這一側名字更多：ChatGPT Agent、Codex、Responses API、GPT-6 Astra。產品殼不同，呼叫形狀仍是 Function Calling：tools[] 宣告，tool_calls 提議，arguments 是字串化的物件。

一次編碼相關的呼叫，看起來像這樣：

{
  "tool_calls": [{
    "id": "call_7f2a",
    "type": "function",
    "function": {
      "name": "run_code",
      "arguments": "{\"language\":\"python\",\"code\":\"from pathlib import Path\\nprint(Path('src').exists())\"}"
    }
  }]
}

和 Claude 的差別不在「會不會寫程式」，而在工具面怎麼組裝：

• 程式碼解釋器 / 沙箱：把多步計算收成一次 run_code 或 python，減少來回。
• 電腦使用：瀏覽器、桌面操作走另一組結構化動作。
• Codex / CLI：更接近倉庫級 Coding Agent，工具表重新變成讀、改、跑。

GPT-6 Astra 指南 寫過同一條紀律：更穩地走完「選工具 → 調工具 → 交回物件」。對開發者，這意味著補丁和測試輸出都應該能從 JSON 軌跡重建，而不是只剩一段「我已經改好了」。

程式真正跑在哪？不在模型裡

這是最容易寫錯的一句。大模型不執行 Python，也不 spawn 行程。它只生成：

• 工具名：Bash、Read、python、apply_patch。
• 參數物件：command、path、old_string、code。
• 偶爾是補丁文字：仍然先作為欄位出現，再由宿主落盤。

真正跑程式的是宿主：本地行程、容器，或雲端沙箱。檔案系統與網路權限屬於宿主策略，不屬於模型權重。一份收緊的工具 Schema 長這樣：

{
  "name": "Bash",
  "description": "Run a shell command in the workspace",
  "inputSchema": {
    "type": "object",
    "properties": {
      "command": { "type": "string" },
      "timeout_ms": { "type": "integer", "maximum": 120000 }
    },
    "required": ["command"],
    "additionalProperties": false
  }
}

additionalProperties: false 不是矯情。寬 object 等於讓模型多塞一個目標主機或一段額外腳本。金鑰、Cookie、內部基址必須留在宿主，不能進參數物件。

Claude Code 與 GPT Agent：買的不是同一層殼

不是誰更聰明，而是你把迴圈掛在哪：

換牌子，迴圈不變。你要穩定的是工具契約和執行世界，不是某一家的聊天皮膚。DeepSeek 把宿主做成可替換基礎設施，見 DeepSeek Harness 與 Coding Agent 基礎設施。

開發者該檢查的是軌跡，不是氣泡

Agent 寫完程式以後，審的物件應該和審同事 PR 一樣：diff、測試、權限。多出來的一層是工具軌跡。

• 把 tool_use / tool_calls 格式化，看名字和參數是不是你以為的那一下。
• 用 JSONPath 提取 抽出 name、command、path，不要靠眼睛掃散文。
• 和上週能過的軌跡 JSON Diff。迴圈漂了，先看工具表和參數形狀，再怪模型。
• 失敗測試的 stdout 要進軌跡，不要只留「我修了」。
• 生產憑證、客戶庫、內網位址不要貼進公共格式化站。JSONSort 在瀏覽器本地跑，適合看這些物件。

軌跡能重建，會話才能復盤。這是 Coding Agent 能進團隊流程的前提，不是錦上添花。

常見誤區

• 把 Coding Agent 當成更聰明的補全。補全改一行；Agent 改迴圈。
• 以為模型自己執行了程式。執行權在宿主。
• 不審工具 JSON，只看最後的檔案 diff。命令可能已經跑過了。
• 給 Bash 一張空白支票。沒有 cwd、逾時、網路門，迴圈就是生產事故。
• 用 prompt 代替 Schema。口徑必須能校驗。
• 把會話當聊天氣泡存。沒有 tool_result，就沒有可回放的開發紀錄。

FAQ

Claude Code 和 GPT Agent 哪個更適合團隊？

看執行世界。倉庫在你機器上、要接 MCP 和本地測試，Claude Code 或 Codex CLI 更近。要會話裡的沙箱計算或電腦使用，走 GPT Agent / Responses。先鎖工具 Schema，再選殼。

模型會不會偷偷跑我沒同意的命令？

模型只能提議。會不會跑，取決於宿主有沒有確認門、allowlist 和網路隔離。auto-mode 等於你預先同意了某一類 JSON。

這和普通 Function Calling 有什麼不同？

形狀相同，半徑不同。客服查單通常唯讀；Coding Agent 的工具能改磁碟、跑行程。所以 Schema、逾時和稽核必須更緊。

為什麼強調 JSON，而不是 prompt？

因為副作用發生在解析物件之後。prompt 影響模型填什麼；Schema 和宿主決定什麼能執行。除錯時，物件比形容詞值錢。

要不要讓 Agent 直接推生產？

不要。讓它出分支、跑測試、留軌跡。合併和發布仍是人的戰略門。迴圈負責起草，門禁負責放行。

結論

AI Coding Agent 改變軟體開發的方式，不是讓編輯器更會猜下一行，而是把「讀倉庫 → 填工具 JSON → 宿主執行 → 回寫結果」做成預設迴圈。Claude Code 和 GPT Agent 只是兩種殼。

從今天起，少爭論哪家模型更會寫程式。先把工具 Schema、執行世界和會話軌跡寫進倉庫。模型會換；這條 JSON 呼叫鏈應該先穩定。

延伸閱讀

• AI Agent 是什麼？完整指南 執行時、Tool Calling 與 JSON 契約
• DeepSeek Harness 改變了什麼 從 Framework 到可替換 Coding Agent 宿主
• MCP Tool Schema vs Function Calling 工具 JSON 的協定邊界
• AI 為什麼需要 JSON Schema Schema / Function Calling / Structured Output
• AI Agent 安全與 JSON 驗證 驗證能擋住什麼、擋不住什麼
• JSONSort 本地工具箱 格式化、校驗、Diff
• 全部文章 更多 JSON 與 AI 開發筆記

更新紀錄： 2026-09-17 首次發布