Aura 实战指南：用 Planner/Worker 双 Agent 架构提升 AI 编码质量

问题：AI 编码工具的「精度瓶颈」

用惯了 Claude Code 或 Cursor 的人都知道，AI 写代码时有两个常见问题：一是上下文一长就开始「跑偏」，改完 A 文件忘了 B 文件的约束；二是直接出代码没有中间规划，改完后一跑就崩，不知道问题出在哪里。

这不是模型能力不够——而是缺少一个工程化的编码流程。今天要介绍的开源工具 Aura，正是一个帮你把 AI 编码流程规范化的 LLM Harness（编码框架）。

Aura 是什么？

Aura（GitHub）是一个开源的 LLM 编码框架，采用 Planner/Worker 双 Agent 架构，让 AI 先写规范说明书（Spec），再按说明书执行编码，每次修改都有差异对比和自动备份。

项目最有趣的特点是自举（Dogfooding）——2026 年 5 月，Aura 用自己处理了超过 11 亿个 DeepSeek Token（约 3 万次 API 请求，花费约 $35），写完了自身大部分代码。

核心架构：Planner → Worker 流程

Planner（规划 Agent）

Planner 读取你的代码库，理解项目结构，然后写一份精确的技术规范（Spec）。这份 Spec 不是伪代码，而是包含具体文件路径、函数签名、接口约定的实施计划。

关键设计：Planner 的输出是结构化规范而非代码——这意味着 Worker 收到的是一份无歧义的目标文档，不会继承 Planner 的推理噪声。你可以通过 Spec 编辑对话框 修改这份规范再交给 Worker。

Worker（执行 Agent）

Worker 按规范执行编码：读取目标文件 → 应用编辑 → 运行验证命令 → 返回结果摘要。

每个文件写入都会弹出 Diff 对比对话框（批准/拒绝/全部批准），每次修改前自动备份到 .aura/backups/。验证失败时 Worker 会恢复重试——不会静默失败。

混合模型配置

Planner 和 Worker 可以用不同的模型，甚至不同的推理深度。例如用 DeepSeek V3 做轻量规划，用 Claude Sonnet 做复杂的代码执行：

Planner: deepseek/deepseek-chat (Thinking: 低)
Worker:  anthropic/claude-sonnet-4-20250514 (Thinking: 高)

Aura 的特色工具集

结构化编辑：AST 级别的代码修改

普通 AI 编码工具做的是文本替换——通过搜索固定字符串来找到要改的地方，缩进不同就会失败。Aura 提供 edit_symbol 工具，基于 AST（抽象语法树） 找到函数、类或方法的定义并整体替换，不受空格干扰：

支持 Python、JavaScript、TypeScript、Rust 等 30+ 语言的后备启发式解析。

BM25 语义搜索

当对话历史被截断后，AI 经常「忘记」某个函数在哪个文件里。Aura 的 search_codebase 工具维护一个本地 BM25 倒排索引（最多 1500 个文件），支持自然语言查询：

search_codebase(query="支付验证逻辑在哪里")

这比关键字 grep 精准得多——搜索「登录失败处理」也能匹配 auth_error_handler.py。

Sandbox 执行模式

Aura 支持三种执行模式：

Docker 模式会自动降级（如果未安装 Docker），适合运行 AI 生成的临时脚本。

硬件绑定的 API 密钥加密

API 密钥不保存在配置文件中。优先读取环境变量（DEEPSEEK_API_KEY 等），否则加密存储到 ~/.config/Aura/keys.json，使用 Fernet 对称加密 + 机器特征（MAC 地址 + 用户名）派生密钥，文件权限设为 600。

快速上手

安装

git clone https://github.com/CarpseDeam/Aura-IDE.git
cd Aura-IDE
pip install -r requirements.txt
python aura.py

首次启动会有 5 步引导向导：欢迎 → 工作区 → 安全设置 → API 提供商 → 首次任务。

在实际项目中的工作流

以一个典型的「重构用户登录模块」场景为例：

1. 告诉 Planner 需求：在聊天框输入「把登录模块从 Flask 蓝图迁移到 FastAPI，保持 API 签名兼容」。

2. Planner 分析并写 Spec：Aura 读取当前登录模块的所有文件，输出一份包含文件映射、路由对比表、依赖影响的规范文档。你可以在 Spec 编辑对话框 中调整——比如保留某些中间件不改。

3. Worker 执行编码：按 Spec 逐个文件迁移。每次写文件弹 Diff 对比：你会看到改了什么，每行都标红/绿。点击 Approve All 统一批准，Aura 自动 git commit 并生成提交信息。

4. 验证修复：Worker 运行 pytest，如果有测试失败，自动回退到最近的备份点，调整后重试。这个循环可以跑 3-5 次，直到所有测试通过。

关于 Diff 批准

默认情况下 Aura 要求每次文件写入都要人工批准。如果你信任特定任务（如格式化、重构），可以在设置中开启 Auto-Approve。但建议至少第一次用 Aura 时保持默认——它的 Diff 对话框比盲信 AI 更让人放心。

适用场景

1. 重构复杂代码：规划 Agent 先分析依赖关系，执行 Agent 再动手，避免”改了 A 文件炸了 B 文件”
2. 多文件功能开发：Spec 文档约束了跨文件改动的边界，Worker 不会「自由发挥」
3. 教学/团队协作：Spec 本身就是一段可审查的实施计划，比直接看代码 Diff 更容易理解改动意图
4. 成本敏感场景：Planner 用低成本的 DeepSeek V3，Worker 用 Claude Sonnet——在 $35 内完成 11 亿 Token 的自举开发就是最好的可参考案例

局限性

• 桌面 GUI 应用（Python + PySide6），对无头服务器环境不友好
• 两份推理（Planner + Worker）消耗更多 Token，简单任务直接用 Single 模式
• 项目较新（当前 10 Stars），社区支持有限

和其他工具对比