12 篇文章，我们从 Think-Act-Observe 循环一路拆解到 50 万行的工程深渊。现在站在系列的终点，回头看整条演进路径，一个更大的问题浮出水面：
AI 编程工具最终会演化成什么样子？
AI 编程工具的未来：从 Copilot 到 Autonomous Agent
3000 行 vs 50 万行：从玩具到产品的架构深渊
claude-code-from-scratch 项目用大约 3000 行 TypeScript 实现了一个"迷你版 Claude Code"。它有 Think-Act-Observe 循环、工具系统、System Prompt、权限控制、记忆、Skill、多代理、MCP——我们在前面 10 篇文章里拆解的核心概念，它全都有。
Plan Mode 与设计先行：让 AI 先想再做
给建筑师一块地，他不会立刻开始砌砖。他会先画图、计算承重、考虑采光、规划管线。等蓝图确认了，施工队才进场。
给 AI 编程助手一个需求，它默认会立刻开始改代码。不是因为它不懂"设计先行"，而是因为它的循环机制鼓励行动——Think-Act-Observe 循环里，“Act"是核心能力。模型被训练成"有帮助的”，“有帮助"在编程场景里通常意味着"动手改”。
MCP 协议：AI 工具互联的 USB-C
在 MCP 出现之前，每个 AI 工具集成都是一次定制开发。想让 ChatGPT 连数据库？写一个插件。想让 Claude 调 GitHub API？写一个 Function Calling 定义。想让 Copilot 访问你的内部系统？写一个 Custom Tool。
多代理架构：分叉-汇聚模式的协作艺术
有一个反直觉的现象：同一个模型，拆成多个独立实例让它协作，效果往往比单个实例更好。
不是算力增加了（三个实例的总 token 消耗比一个实例多），不是能力提升了（每个实例都是同样的模型）。提升来自角色分离——当每个 Agent 只关注问题的一个方面时，它做得比"全能 Agent"更专注、更深刻。