1. 项目概述一个统一的AI编程接口如果你和我一样在Emacs里用过不止一个AI编程助手——比如今天试试Claude Code明天换到GitHub Copilot CLI后天又想用OpenAI Codex——那你肯定体会过那种割裂感。每个工具都有自己的启动命令、交互方式、快捷键甚至对“上下文”的理解都不一样。你得像切换不同国家的插座一样不断调整自己的使用习惯效率在切换中无形流失。ai-code-interface.el就是为了解决这个问题而生的。它不是一个全新的AI模型而是一个统一的接口层。你可以把它想象成Emacs和众多AI编程CLI命令行工具之间的“万能适配器”。它的核心目标很简单让你用一套完全相同的操作流程和交互界面去驱动背后任意一个AI后端。无论是修改代码、实现TODO、重构函数还是进行代码审查你只需要记住C-c a这一个快捷键打开同一个瞬态菜单Transient Menu剩下的就交给它去和背后的Claude、Codex、Gemini们沟通。这带来的好处是革命性的。首先学习成本骤降。你只需要熟悉这一套Emacs原生的工作流就能驾驭所有主流AI编程工具。其次工作流得以固化并迁移。你精心设计的提示词文件、习惯的TDD循环、配置好的MCP工具不会因为今天换了个AI模型就全部作废。最后它把AI能力深度编织进了Emacs的编辑、版本控制Magit、项目管理生态中让你感觉AI不是外挂而是编辑器本身能力的自然延伸。这个包适合所有已经在使用或打算在Emacs中集成AI辅助编程的开发者。无论你是想找一个最趁手的“瑞士军刀”还是厌倦了在不同AI工具间疲于奔命ai-code-interface.el都值得你花时间配置和掌握。1.1 核心设计哲学接口与实现的分离在软件工程里我们常谈“面向接口编程而非实现”。ai-code-interface.el将这一理念发挥得淋漓尽致。它定义了一套清晰的、面向AI辅助编程的抽象接口包括会话管理如何启动、停止、切换AI会话。上下文收集如何从当前缓冲区、项目、版本控制中提取代码上下文。动作执行如何发起“修改代码”、“解释代码”、“运行测试”等标准操作。结果处理如何将AI的响应展示、应用到代码中。然后它为每个具体的AI后端如codex-cli,claude-code,github-copilot-cli编写一个适配器。这个适配器负责将统一的接口调用“翻译”成该后端CLI能理解的命令和参数。对于用户也就是我们来说界面和体验是稳定不变的变化的只是底层那个执行计算的“引擎”。这种设计带来了极强的可扩展性。目前它已经支持了十多个主流和后起之秀的AI编程CLI并且通过ai-code-backends变量可以轻松接入任何实现了必要函数的第三方Emacs包如eca,agent-shell。这意味着即使未来出现新的、更强大的AI工具只要有人为它写一个适配器就能立刻融入你已有的工作流无需改变任何操作习惯。1.2 超越统一工作流可移植性与“马具工程”如果只是统一界面那它只是个不错的“启动器”。但ai-code-interface.el的野心远不止于此。它的真正优势在于工作流的可移植性。想象一下这个场景你用Claude Code设计了一套高效的“提问-修改-运行测试”的敏捷循环并保存了一系列针对项目架构的提示词片段。现在因为某些原因比如成本、速度、模型能力你需要切换到Gemini CLI。在传统模式下你几乎需要从头开始学习新命令、重写提示词、适应不同的输出格式。而有了ai-code-interface.el你的整个工作流——包括那个瞬态菜单、上下文收集逻辑、重构命令、TDD助手、代码审查流程、提示词文件甚至是集成的Emacs MCP工具——都原封不动地保留了下来。你只需要在菜单里按s键切换一下后端一切照旧。这种“一次配置处处运行”的能力极大地保护了你在AI辅助编程上积累的“工艺”投资。更进一步这个包引入了“马具工程”的理念。这个词源自Martin Fowler的文章意指围绕AI模型构建一个可靠的反馈循环让AI不仅能“做出改变”还能“验证改变并对结果做出反应”。ai-code-interface.el通过几个关键特性实现了这一点ai-code-auto-test-type: 设置代码修改后是否自动运行测试。你可以选择“总是运行”、“询问我”、“使用TDD红-绿-蓝循环”等。这确保了代码变更后能立即得到验证。ai-code-discussion-auto-follow-up-enabled: 开启后在发送讨论式提示时会自动建议2-3个后续步骤如“解释一下”、“写个测试”、“重构它”引导对话深入。ai-code-tdd-cycle: 一个集成的TDD工作流可以从菜单一键进入“红”写测试、“绿”实现功能、“蓝”重构的完整循环。这些特性将测试、验证和后续步骤从需要你手动提醒的“事后思考”变成了工作流中内建的系统环节。AI不再是一个被动的代码生成器而是一个可以被“驾驭”的、能参与完整开发循环的协作伙伴。2. 核心功能与工作流深度解析2.1 瞬态菜单一切操作的指挥中心按C-c a呼出的瞬态菜单是这个包的大脑和交互核心。它采用transient库构建布局清晰将数十个功能按逻辑分组你完全不需要记忆分散的快捷键。菜单默认是宽布局如果你的屏幕较小可以在配置中设置(setq ai-code-menu-layout two-columns)切换到更紧凑的双栏布局。菜单主要分为几个功能区会话控制区(a,R,z,s,u,S): 负责AI会话的生命周期管理。a启动新会话R恢复现有会话z快速跳回会话缓冲区s切换后端u升级后端CLIS为当前后端安装技能包如著名的obra/superpowers。代码操作区(c,i,q,x,SPC,): 这是最常用的区域。c基于当前函数或选区修改代码i实现光标处的TODO注释q仅提问不修改代码x解释代码SPC发送自由格式命令添加上下文。敏捷工作流区(r,t,v): 对应重构、测试驱动开发、代码审查。r打开重构导航器t进入TDD循环v为拉取请求或分支对比生成差异文件并启动审查。生产力工具区(.,e,f,k,o,m,n,:,N): 杂项但实用。.初始化项目导航资源e调查异常f自动修复当前作用域内的Flycheck错误k/o复制或打开适用于提示词的文件路径m生成MCP检查命令n记录笔记到Org文件:语音输入N切换桌面通知。这个设计哲学是“探索式发现”而非“记忆式操作”。你不需要记住ai-code-code-change这个命令名只需要知道“我想改代码”就按C-c a c。菜单本身就是最好的文档。2.2 上下文工程让AI看见你所见AI模型本质上是“盲人摸象”它只能看到你喂给它的信息。上下文工程就是精心挑选、组织和传递信息以获得更精准、相关输出的实践。ai-code-interface.el在自动化上下文收集方面做得非常出色。自动上下文文件与窗口上下文当你发起一个操作如修改代码包会自动收集当前文件以及其他可见窗口中的文件内容作为上下文的一部分。这意味着如果你在并排查看相关模块AI也能看到它们无需手动复制粘贴。函数或区域作用域大多数操作c,i,q,x会自动捕获光标所在的函数或你选中的区域。这确保了请求的焦点明确AI不会对你的整个文件做出天马行空的改动。手动上下文管理C-c a (添加上下文)这是高级用法。你可以将特定的文件路径、函数锚点或代码行范围添加到项目级的上下文列表中。这个列表会通过ai-code--format-repo-context-info函数附加到后续的所有提示中。比如你在设计一个API可以把接口定义文件和相关的数据模型文件手动添加上下文这样无论你在项目的哪个文件操作AI都能记住这个关键的架构信息。剪贴板上下文在任何提示输入前按C-u前缀当前剪贴板的内容会被附加到提示中。这对于从错误日志、文档或其他地方复制代码片段过来询问非常方便。文件路径补全在注释或AI会话缓冲区中输入会触发一个补全列表显示最近使用和当前仓库中可见的文件路径。选择后完整的文件路径会被插入方便你在提示中引用特定文件。提示词后缀与约束 你可以通过ai-code-prompt-suffix设置一个持久化的提示词后缀。例如如果你希望AI在代码文件中只使用英文但用中文回复你可以设置(setq ai-code-prompt-suffix Only use English in code file, but Reply in Simplified Chinese language.) (setq ai-code-use-prompt-suffix t) ; 启用后缀这样每条指令后面都会自动加上这个约束省去每次重复输入的麻烦。一个综合示例 假设你要重构一个函数process-data但它依赖另一个文件utils.clj里的辅助函数。打开utils.clj文件让它在另一个窗口可见。回到process-data所在的文件将光标置于该函数内按C-c a 将其添加到存储的上下文。按C-c a r选择重构方法如“提取方法”。 此时生成的提示词将包含process-data函数的代码、utils.clj文件的内容因为它在可见窗口、以及你手动添加的process-data函数锚点。AI获得了重构所需的完整上下文成功率会高得多。2.3 内置Emacs MCP工具赋予AI“编辑器之眼”MCPModel Context Protocol是一个让AI模型能够安全、可控地调用外部工具和数据的协议。ai-code-interface.el内置了一个Emacs MCP服务器这可能是它最强大的功能之一。它让AI CLI能够直接“看到”并操作你的Emacs和项目状态。核心内置工具project_info: 总结当前项目、活动缓冲区及文件数量。buffer_query: 读取缓冲区内容可指定行范围。get_diagnostics: 获取单个文件或整个项目的Flycheck/Flymake诊断信息。get_project_files: 列出当前项目中的所有常规文件。get_project_buffers: 列出属于当前项目的所有已打开缓冲区。imenu_list_symbols: 通过imenu列出文件中有用的符号函数、变量等。xref_find_references: 在项目上下文中查找标识符的引用。xref_find_definitions_at_point: 查找文件中某个位置的定义。treesit_info: 检查文件中某个位置的tree-sitter节点信息。可选调试工具默认启用get_variable_value: 按名称返回Emacs变量的值。get_variable_binding_info: 检查Emacs变量的当前和默认绑定。get_function_info: 检查函数元数据类型、别名、advice状态。get_feature_load_state: 检查Emacs特性是否已加载及其来源。get_recent_messages: 返回*Messages*缓冲区的最新行。get_last_error_backtrace: 返回最近记录的Emacs命令错误快照。可选编辑器会话工具需手动启用(setq ai-code-mcp-editor-tools-enabled t)editor_state: 检查当前选中的缓冲区、点位置、模式、选区及缓冲区标志。visible_buffers: 列出当前框架窗口中可见的缓冲区。messages_tail: 返回*Messages*缓冲区的最新行。eval_elisp: 在选定的缓冲区上下文中评估单个Emacs Lisp表达式默认仅允许查询模式如需副作用需额外设置ai-code-mcp-editor-tools-allow-effect-eval。如何使用将后端设置为claude-code,codex, 或github-copilot-cli。在目标文件或项目中按C-c a a启动会话。AI Code会自动启动本地MCP HTTP服务器注入会话范围的MCP配置。现在你可以在AI会话中直接使用这些工具。例如对AI说“使用project_info并告诉我当前项目信息”或者“使用get_diagnostics总结当前文件的诊断信息”。实际价值 这意味着AI不再仅仅基于你提供的代码片段进行猜测。它可以主动探查你的项目结构、查看其他文件、获取编译错误列表、甚至查询Emacs内部状态。这极大地提升了AI建议的准确性和上下文相关性。例如AI可以先用get_diagnostics检查现有错误修改代码后再检查一次确保没有引入新问题从而实现更可靠的“马具工程”循环。2.4 典型工作流实战让我们通过几个具体场景看看如何将这些功能组合成高效的工作流。场景一实现一个TODO并进入TDD循环你在代码中写下注释// TODO: Add validation to ensure user email is unique.将光标放在该行按C-c a i(ai-code-implement-todo)。AI会根据注释生成实现代码。你觉得生成代码不错但想确保它可靠。按C-c a t(ai-code-tdd-cycle)。在TDD菜单中选择5. Red Green Blue (One prompt)。AI会为你生成测试、实现代码、运行测试、然后重构所有步骤在一个连贯的提示中完成。如果ai-code-auto-test-type设置为ask-me或always在后续的代码修改中AI会在每次改动后自动询问或直接运行测试形成闭环。场景二跨文件代码审查你收到一个Pull Request涉及feature-branch和main分支。在项目根目录按C-c a v(ai-code-pull-or-review-diff-file)。选择生成分支对比差异例如main...feature-branch。差异文件会在新缓冲区打开。按C-c a此时菜单中会出现“开始审查”的选项。选择它并指定审查后端如github-mcp。AI会基于完整的差异内容进行审查并可以调用MCP工具如查看相关文件来提供更深入的反馈。场景三利用MCP进行智能调试你在重构一个复杂函数时遇到了一个模糊的错误。在AI会话中输入“使用get_diagnostics查看src/parser.clj文件的错误。”AI返回具体的错误信息。你继续“使用buffer_query读取src/utils.clj文件第50到100行。”在了解了辅助函数后你给出修改指令“修复src/parser.clj第88行的函数参考src/utils.clj中的sanitize-input模式。”AI基于两个文件的上下文给出精准的修复方案。场景四语音输入与快速笔记你在调试时双手离不开键盘但突然有个灵感。按C-c a :(ai-code-speech-to-text-input)。说出你的想法“这个缓存键应该包含用户ID和资源类型避免冲突。”按RET停止录音。选择“发送到AI会话并编辑”。在编辑界面稍作调整发送。AI开始处理。同时你可以按C-c a n(ai-code-take-notes)快速将刚才的思考或AI的回复记录到项目的Org笔记文件中方便后续追溯。3. 详细配置与后端集成指南3.1 基础安装与最小配置首先确保你的Emacs版本在29.1及以上并已配置好MELPA包仓库。安装包 通过M-x package-install RET ai-code RET安装。最小化配置放在~/.emacs.d/init.el或~/.config/emacs/init.el(use-package ai-code :config ;; 设置默认后端例如使用OpenAI Codex (ai-code-set-backend codex) ;; 全局绑定主菜单快捷键 (global-set-key (kbd C-c a) #ai-code-menu))这个配置足以让你开始使用。按C-c a打开菜单按a启动第一个AI会话。首次使用60秒C-c a a: 启动AI CLI会话。C-c a c: 请求AI修改当前函数/选区。C-c a q: 仅提问不修改代码。C-c a z: 跳回AI会话缓冲区。3.2 后端选择与配置详解ai-code-interface.el支持众多后端分为两类原生CLI后端和外部包后端。原生CLI后端需要你在系统上安装对应的命令行工具。OpenAI Codex (codex): 经典的OpenAI编程模型。配置时需要设置环境变量OPENAI_API_KEY。GitHub Copilot CLI (github-copilot-cli): 微软出品与VS Code Copilot同源。需要ghCLI 并登录 GitHub。Claude Code (claude-code): Anthropic的编程专用模型。需要设置ANTHROPIC_API_KEY。Gemini CLI (gemini): Google的Gemini模型。需要设置GOOGLE_API_KEY。其他Opencode、Kilo、Grok、Cursor、Kiro、CodeBuddy、Aider等各有特色安装和认证方式请参考各自文档。外部包后端这些是Emacs包提供了自己的AI交互接口。ECA (eca): 一个Emacs内的代码助手包。安装eca包后设置(ai-code-set-backend eca)即可。agent-shell (agent-shell): 基于acp.el的通用AI Shell。需要先安装agent-shell和acp.el并配置好其中的Agent提供商。claude-code-ide.el / claude-code.el: 第三方实现的Claude Code集成包。切换后端 在菜单中按s(ai-code-select-backend) 可以即时切换无需重启Emacs。你的工作流菜单、快捷键、上下文收集方式将保持不变。后端特定配置 每个后端可能有自己的配置变量。例如对于Codex CLI你可能想关闭每次操作的确认提示让流程更顺畅(setq ai-code-codex-cli-program-switches (-a never))对于Copilot CLI它默认模拟VS Code环境并绑定ShiftEnter/CtrlEnter用于多行输入。对于Claude Code也有类似的多行输入绑定。这些细节都在各自的后端适配器文件中处理好了。3.3 高级功能配置1. 终端后端选择 原生CLI后端需要在Emacs终端中运行。默认使用vterm性能好但你也可以选择eat或实验性的ghostel。;; 使用 eat 终端 (setq ai-code-backends-infra-terminal-backend eat) ;; 或尝试 ghostel (基于Ghostty的VT引擎) (setq ai-code-backends-infra-terminal-backend ghostel)确保你已安装对应的Emacs包vterm,eat,ghostel。2. 自动化测试与反馈循环 这是“马具工程”的核心。强烈建议根据你的习惯进行配置。;; 代码修改后询问是否运行测试 (setq ai-code-auto-test-type ask-me) ;; 或者总是自动运行测试激进但高效 ;; (setq ai-code-auto-test-type always) ;; 或者使用完整的TDD红-绿-蓝循环 ;; (setq ai-code-auto-test-type tdd-red-green-blue) ;; 启用讨论提示的自动后续步骤建议 (setq ai-code-discussion-auto-follow-up-enabled t)结合obra/superpowers技能包这个反馈循环会变得更强大。3. GPTel集成智能标题生成 如果你安装了gptel可以启用智能标题生成让提示词文件和组织更清晰。;; 为任务文件生成智能文件名 (setq ai-code-task-use-gptel-filename t) ;; 为笔记生成智能标题 (setq ai-code-notes-use-gptel-headline t) ;; 为发送的提示生成智能标题 (setq ai-code-use-gptel-headline t) ;; 使用GPTel对提示进行分类以决定是否添加测试或后续建议 (setq ai-code-use-gptel-classify-prompt t)4. 桌面通知实验性 当你在后台运行多个AI会话时这个功能很实用。;; 启用通知 (setq ai-code-notifications-enabled t) ;; 或者通过菜单随时切换C-c a N通知会在AI会话缓冲区空闲约5秒可配置ai-code-backends-infra-idle-delay且该缓冲区不在前台时触发。5. 与Magit集成 如果你使用Magit进行版本控制可以设置集成让AI命令也出现在Magit的弹出菜单中。(with-eval-after-load magit (ai-code-magit-setup-transients))3.4 依赖管理必需依赖Emacs 29.1org,magit,transient: 分别用于笔记、Git集成和菜单系统。终端模拟器vterm默认、eat或ghostel之一用于运行CLI后端。可选但推荐的依赖helm: 为ai-code-input.el提供增强的自动补全体验。whisper: 启用语音转文本输入 (ai-code-speech-to-text-input)。gptel: 如上所述用于智能标题生成和提示分类。flycheck: 启用ai-code-flycheck-fix-errors-in-scope命令让AI修复当前作用域的错误。yasnippet: 在提示词文件中使用代码片段。包内已包含一个片段库。projectile: 用于项目根目录初始化。helm-gtags: 为AI会话缓冲区中的可点击符号导航提供后备支持当xref不可用时。4. 实战技巧、避坑指南与高级用法4.1 可点击会话链接提升导航效率AI会话缓冲区中的输出不再是静态文本。文件引用如src/foo.el:42、src/foo.el#L42-L60和代码符号如setq-local、UserService.processRequest()会被渲染成可点击的链接。文件链接点击后直接跳转到对应文件的指定行甚至精确到列如:42:7。符号链接点击后尝试在关联文件中导航到该符号的定义。它会依次尝试xref-find-definitions(Emacs内置)helm-gtags-find-tag(如果安装了helm-gtags)在当前打开的文件缓冲区中搜索网页链接http/https链接会直接用你的浏览器打开。避坑提示如果你发现链接渲染干扰了阅读或者在某些终端下有显示问题可以通过(setq ai-code-session-link-enabled nil)关闭此功能。4.2 提示词文件与片段管理C-c a p(ai-code-open-prompt-file) 会打开项目根目录下的.ai.code.files/.ai.code.prompt.org文件。这是你的提示词知识库。组织对话所有通过C-c a c/q/x等命令发送的提示和AI的回复都会按时间顺序记录在这里。你可以回顾历史复制成功的提示模式。主动编辑与发送你可以在这个Org文件中自由编辑提示块。将光标放在一个代码块内按C-c C-c(org-ctrl-c-ctrl-c)这个块的内容就会被发送到当前活动的AI会话。这是进行复杂、多轮对话的理想方式。使用片段结合yasnippet你可以创建常用的提示模板。例如一个名为tdd-red的片段可以自动展开为“为以下函数编写一个失败的单元测试遵循[某种]模式...”。这能极大提升提示工程效率。包内自带了一些示例片段你可以在etc/目录下找到。4.3 技能包安装扩展AI能力C-c a S(ai-code-install-backend-skills) 是一个强大的功能。它会提示当前激活的AI CLI去读取一个技能库的README并执行安装。默认推荐[[https://github.com/obra/superpowers][obra/superpowers]]。这是一个为AI编码代理设计的、高质量的技能集合涵盖了代码分析、重构、测试、文档、安全检查等多个方面。工作流当你切换到一个新的后端比如刚安装了Gemini CLI第一件事就是按C-c a S输入https://github.com/obra/superpowers然后让AI自己去安装。完成后你的AI助手就“学会”了几十种新的、结构化的代码操作技能这些技能能很好地与ai-code-interface.el的TDD、重构等流程配合。4.4 多会话管理你可以启动多个AI会话例如一个用于前端一个用于后端或者一个用于调试一个用于设计。按C-c a a可以启动新会话并为它命名。按C-c a z可以在所有活跃会话间切换。当你执行C-c a c等操作时命令会被发送到当前选中的会话。这让你可以并行处理多个任务互不干扰。4.5 常见问题与排查1. 启动AI会话失败提示“找不到CLI”或“认证失败”。排查首先确认你已在系统上正确安装了目标CLI如codex、claude并且可以通过系统终端直接运行。其次检查必要的环境变量如OPENAI_API_KEY,ANTHROPIC_API_KEY是否已在Emacs的进程环境中正确设置。你可以在Emacs中执行M-x getenv RET OPENAI_API_KEY RET来验证。技巧对于通过包管理器如npm,pip安装的CLI确保其安装目录在系统的PATH环境变量中。有时在图形化启动的Emacs中PATH可能与终端不同需要在Emacs配置中手动设置exec-path。2. MCP工具在AI会话中无法调用ai-code-mcp-agent-show-buffer-status显示正常。排查这通常是因为AI CLI本身对MCP的支持问题或者网络/权限导致MCP服务器连接失败。首先确保你使用的后端如claude-code版本支持MCP。然后在AI会话中手动尝试一个简单的工具调用如“请使用project_info工具”。观察AI的响应看是“未知工具”还是“连接失败”。技巧检查Emacs的*Messages*缓冲区看MCP服务器启动时是否有错误日志。也可以临时设置(setq ai-code-mcp-debug t)来获取更详细的调试信息。3. 可点击链接不工作或符号导航跳转错误。排查文件链接跳转依赖Emacs的find-file和行号定位确保文件路径是相对于项目根目录的正确路径。符号导航首先依赖xref如果你的项目没有建立xref索引如通过gtags或etags它会失败并回退到搜索。技巧对于大型项目建议配置helm-gtags并生成GTAGS数据库这将极大提升符号导航的准确性和速度。在项目根目录运行helm-gtags-create-tags。4. 自动测试循环被AI的确认提示打断。现象设置了ai-code-auto-test-type为always但AI在每次代码修改后都停下来问“是否应用此更改”破坏了自动化流程。解决这是后端CLI的默认行为。你需要在其配置中关闭确认。例如对于Codex CLI如前所述设置(setq ai-code-codex-cli-program-switches (-a never))。其他后端请查阅其文档寻找类似--auto-approve或-y的选项并在对应的ai-code-*-cli.el配置变量中添加。5. 语音输入功能 (C-c a :) 无法使用。排查此功能依赖whisperEmacs包并且你的系统需要有可用的麦克风和音频录制能力。首先确保已安装whisper包。其次在系统终端测试你的麦克风是否正常。在Emacs中可以尝试运行M-x whisper-run看是否能启动录音。技巧whisper包可能依赖外部语音识别服务或本地模型。请仔细阅读whisper包的文档完成其必要的配置如API密钥或模型下载。4.6 性能与资源优化终端后端选择vterm性能最好但编译可能稍复杂。eat是纯Elisp实现兼容性好。ghostel是实验性的但基于高效的Ghostty引擎有潜力。根据你的系统和需求选择。自动刷新为了能让AI修改的代码自动显示在缓冲区需要启用global-auto-revert-mode。建议将auto-revert-interval设置为1秒以获得更快的反馈。上下文管理虽然自动收集上下文很方便但过多的上下文比如几十个打开的文件会拖慢提示生成并消耗更多AI token。养成习惯在发起复杂操作前关掉不相关的文件窗口并使用C-c a 精准添加必要上下文而不是依赖全局收集。会话管理不用的AI会话及时关闭在会话缓冲区输入退出命令如exit或quit。每个会话都会占用内存和可能的API连接。5. 自定义与扩展5.1 添加自定义MCP工具ai-code-interface.el的MCP框架是可扩展的。你可以将自己的Emacs Lisp函数暴露给AI调用。步骤示例添加一个获取当前天气的工具定义函数首先你需要一个能获取天气的函数这里用伪代码。(defun my-get-weather (city) Get weather for CITY. (Placeholder, implement with a real API call). (format Weather in %s: Sunny, 22°C city))注册为MCP工具在启动AI会话前注册这个函数。(require ai-code-mcp-server) (ai-code-mcp-make-tool :function #my-get-weather :name get_weather :description Get the current weather for a given city. :args ((city :type string :description Name of the city))):function: 指向你的Elisp函数。:name: AI调用时使用的工具名。:description: 工具描述帮助AI理解其用途。:args: 参数列表每个参数需要类型和描述。验证重启AI会话或重新注册MCP服务器。在AI会话中现在你可以说“使用get_weather工具查询北京的天气。”5.2 创建自定义工作流或菜单项虽然瞬态菜单已经非常全面但你可以基于现有的命令组合创建自己的快捷键或函数。例如你经常进行“解释代码并生成测试”的操作可以创建一个组合命令(defun my-explain-and-test () Explain current function and then generate a test for it. (interactive) (ai-code-explain-code) ; 先解释 (sleep-for 1) ; 等待一下让AI回复 ;; 这里假设你有一个方法能获取上次AI回复中的函数名并触发测试生成 ;; 实际情况更复杂可能需要与AI会话缓冲区交互 (message Explain done, now you can ask for a test.)) (define-key ai-code-mode-map (kbd C-c e t) #my-explain-and-test)更高级的自定义需要深入理解transient库和ai-code的内部命令结构。你可以参考ai-code-transient.el文件来添加自己的菜单分支或修改现有布局。5.3 集成到其他工作流中ai-code-interface.el的核心命令都是交互式函数可以很容易地集成到你的自定义脚本或Hook中。在保存文件后自动进行轻量级审查(add-hook after-save-hook (lambda () (when (and (derived-mode-p prog-mode) (project-current)) (async-shell-command (format cd %s %s --review-changes (project-root (project-current)) (ai-code--get-backend-program))))))(注此为概念示例ai-code--get-backend-program和--review-changes参数需要根据实际后端调整)在编译失败后自动请求AI帮助(add-hook compilation-finish-functions (lambda (buf str) (when (string-match-p exited abnormally str) (save-excursion (set-buffer buf) (let ((errors (buffer-string))) (when (and errors (get-buffer *AI-Code*)) (with-current-buffer *AI-Code* (insert (format \nCompilation failed:\n%s\nPlease suggest fixes. errors)) (ai-code-send-prompt))))))))ai-code-interface.el的价值在于它将混乱的AI编程工具生态统一到了一个坚实、可扩展的Emacs原生界面之下。它不仅仅是一个启动器更是一个工作流平台。通过深度集成上下文工程、MCP工具和“马具工程”理念它使得AI辅助编程从一种偶尔使用的“神奇把戏”转变为一种可重复、可验证、可融入现有开发流程的工程实践。最让我个人受益的是那种“掌控感”的回归。我不再被某个特定AI工具的交互方式所束缚。我的注意力可以完全集中在“要解决什么问题”和“如何组织提示”上而不是“这个工具按哪个键”。当更好的模型出现时我可以在几分钟内完成切换而所有积累的提示词、工作流和项目配置都完好无损。这种自由和效率的提升对于长期在Emacs中进行复杂开发的用户来说是实实在在的。