從猜測到診斷：LSP 如何讓 AI Agent 的除錯迴圈更具確定性

多數 AI Agent 在面對軟體開發任務時，其除錯過程本質上是一場昂貴的「機率遊戲」。它們觀察到程式碼執行失敗的模糊結果，然後生成一個假設性的修補方案，再重新執行、觀察，如此反覆。這個過程充滿了不確定性，大量運算資源與時間被浪費在試誤（trial-and-error）的黑箱中。然而，近期一些開源專案的進展揭示了一條更清晰的路徑：將語言伺服器協定（Language Server Protocol, LSP）這類結構化的診斷資訊直接整合進 Agent 的執行迴圈，能根本性地將除錯過程從「猜測」轉變為「診斷」，大幅降低軟體工程中的隨機性。

當 AI Agent 只能「猜」程式碼的錯誤？

一個典型的自主程式碼 Agent 運作迴圈，大致是觀察（Observe）、思考（Think）、行動（Act）。當行動階段（例如執行一段程式碼或一個測試）失敗時，Agent 得到的「觀察」結果往往是粗糙、非結構化的，例如一段終端機的錯誤訊息、一個失敗的 HTTP 狀態碼，或僅僅是一個布林值的 False。面對這些資訊，Agent 只能像一個被蒙住眼睛的開發者，根據過往訓練數據中的模式，去「猜測」問題的根源可能在哪一行、可能是哪種類型的錯誤。

這種模式的代價極高。每一次猜測與嘗試，都意味著一次完整的 LLM 推理請求，以及潛在的編譯、執行與測試成本。如果第一次猜錯了，Agent 可能會陷入一個漫長的迴圈，不斷提出相似卻無效的解法，直到耗盡 token 預算或達到最大重試次數。這不僅效率低下，也使得 Agent 的行為難以預測與治理。我們需要的是一種能讓 Agent 直接「看見」問題根源的機制，而不是讓它在黑暗中摸索。

為什麼 LSP 是提升除錯確定性的關鍵？

語言伺服器協定（LSP）正是這道難題的解方之一。LSP 是由微軟在 2016 年為 Visual Studio Code 所創建的一套開放標準，旨在將程式語言的靜態分析功能（如語法錯誤檢查、型別提示、自動完成）從編輯器本身解耦，成為一個獨立的「語言伺服器」。開發者工具只需遵循此協定，就能夠與任何支援該語言的伺服器溝通，取得豐富、即時且結構化的程式碼診斷資訊。

近期，開源的編碼 Agent 工具 OpenClaude 在其 v0.22.0 版本中，便實驗性地整合了 LSP 診斷功能。這項改變的意義遠不止是新增一個功能，正如 原始實驗與觀察 所揭示的，它代表了一種設計典範的轉移：

將 LSP 診斷資訊直接餵給 Agent，就像是給了它一副 X 光眼鏡，讓它能直接看穿程式碼的結構性問題，而不是只能靠觀察外在症狀來猜測病因。

例如，當一段 TypeScript 程式碼存在型別不符的錯誤時，傳統 Agent 可能只會看到 tsc 編譯失敗的籠統錯誤訊息。但整合了 LSP 的 Agent 能直接收到一份 JSON 格式的診斷報告，明確指出：「在 main.ts 檔案的第 10 行第 5 個字元處，發生了型別錯誤（error code 2322），因為 string 型別無法指派給 number 型別。」有了如此精確的資訊，Agent 就不再需要猜測，而是可以一步到位地生成針對性的修復程式碼。這條從「模糊觀察」到「精確診斷」的捷徑，極大地縮短了除錯迴圈的長度，也降低了其成本。

如何設計一個更高效的 Agent 執行迴路？

LSP 的整合只是冰山一角，其背後的核心思想是為 Agent 打造一個「高頻寬、結構化的回饋迴路」。這不僅限於編譯前的靜態分析，任何能提供確定性、機器可讀的回饋，都應該被視為 Agent 執行環境中的一等公民。一個更穩健、更高效的 Agent 系統，其設計應包含多層次的回饋機制：

• 靜態分析回饋：來自 LSP 或其他 linter 工具（如 ESLint）的即時診斷，能在程式碼執行前就捕捉到大量語法和型別錯誤。
• 測試框架回饋：結構化的單元測試或整合測試結果（例如 Jest 的 JSON 輸出），能明確回報哪個測試案例失敗、失敗的原因與位置。
• 執行期回饋：來自 Profiler 的效能數據、來自 OpenTelemetry 的結構化日誌，或是應用程式的健康檢查端點，都能提供關於系統動態行為的精確資訊。

將這些結構化數據流整合進 Agent 的觀察（Observe）階段，本質上是在降低系統的熵。每一次的行動（Act）後，Agent 得到的不再是需要大量猜測才能解讀的模糊訊號，而是可以直接指導下一步決策的清晰情報。學術界在自動化程式修復（Automated Program Repair）領域的研究早已證明，高度依賴這類精確的回饋訊號是成功的關鍵。當我們將這個概念應用於更廣泛的自主 Agent 時，我們不僅是在提升單一任務的成功率，更是在為建立可預測、可治理的 AI 軟體工程奠定基礎。

最終，目標是將軟體開發從一門高度依賴人類直覺與經驗的「手藝」，轉變為一個更具確定性的工程過程。透過為 AI Agent 建立強大的診斷迴路，我們正朝著這個方向邁出重要的一步。這不僅關乎效率，更關乎在日益複雜的軟體系統中，如何建立信任與可靠性。

延伸閱讀

• OpenClaudeにLSP診断機能を追加してTypeScriptのバグを修正させる (原始實驗與觀察)
• Language Server Protocol Specification (官方規格文件)
• SWE-agent: Agent-Computer Interface for Software Engineering (一篇關於打造與真實開發環境互動的 Agent 的研究論文)

我是江中喬，專注於 AI Agent Architecture、Memory Governance 與 Cognitive Diversity，持續研究如何打造能夠長期協作、可信任且可治理的 AI 系統。