自建智能体自动编写时钟程序：AI赋能火山视窗编程实战

让AI代替你写桌面应用代码

谈到AI编程，多数人首先想到的是Python脚本或Web应用。但如果AI能帮你编写一个带有图形界面的桌面时钟程序呢？B站UP主"楚秘密"在其AI赋能火山视窗编程系列课程中，演示了如何通过自建智能体，让AI自动完成一个圆形时钟窗口程序的编写——从需求分析、代码生成到自检修复，全程几乎无需人工干预。

本文将详细拆解这一实战过程，分析AI在非主流编程语言中的代码生成能力、自检机制的价值，以及实际开发中遇到的典型问题与解决思路。

项目目标与技术背景

时钟程序的具体需求

这次演示的目标非常明确：使用MFC窗口（火山视窗平台）编写一个圆形时钟程序，具体要求包括：

• 绘制圆形表盘，显示1-12的时间数字
• 包含时针、分针、秒针三根指针
• 指针能够根据当前系统时间实时变化

虽然需求看似简单，但涉及到三角函数计算（正弦、余弦用于指针角度）、画板绑定、定时器事件驱动等多个技术点，对于不熟悉图形编程的开发者来说并不轻松。

使用的AI模型与工具

作者使用的是自行配置的Kimi 2.6模型，而非官方自带的免费版本。他特别指出，免费版同样可以完成任务，只是自配模型的响应速度可能稍慢。整个开发环境基于此前课程中搭建的自建智能体，该智能体具备知识库检索、分步计划制定和代码自检功能。

AI编码全过程解析

第一阶段：需求分析与计划制定

当用户输入需求后，智能体并不会直接开始写代码，而是先执行以下步骤：

1. 分析需求：解析用户描述中的关键信息（圆形时钟、数字显示、三根指针、实时变化）
2. 查询知识库：搜索相关文档，包括时间日期函数、定时器、时钟位置计算、三角函数等
3. 制定分步实施计划：将任务拆解为窗口创建、表盘绘制、指针计算、事件驱动等子任务

这种"先规划后执行"的模式，正是当前AI编程智能体的核心设计思路。相比直接让通用大模型生成代码，分步规划能显著提高复杂任务的完成质量。

第二阶段：代码生成中的"死循环"问题

在实际生成过程中，出现了一个值得关注的问题——模型思索死循环。AI在搜索知识库时陷入了重复查询的状态，不断循环"客户区"等关键词，无法推进到下一步。

作者的处理方式很直接：点击"继续"按钮，强制中断当前循环，让模型重新开始。他也坦言，这是自建智能体目前的一个已知缺陷，后续可以通过设置超时机制或跳过策略来优化。

这个现象在AI编程中并不罕见。当模型面对信息量大但匹配度不高的知识库时，容易陷入检索循环。解决方案包括：优化知识库索引、设置最大检索轮次、以及增加"检索失败则跳过"的兜底逻辑。

第三阶段：代码自检机制

代码生成完成后，智能体进入自检阶段。这是整个流程中最有价值的环节之一。自检会检测代码的逻辑合规性，如果发现问题会自动尝试修复。

不过，作者也指出了当前自检的局限性：它只进行代码逻辑层面的检查，不包括API名称的准确性验证。这意味着，即使代码逻辑正确，如果调用了不存在的API方法，自检也无法发现。

编译调试：AI代码的真实质量

首次编译的错误清单

将AI生成的代码放入火山视窗编译后，出现了以下典型错误：

• "取时间"函数：第一个参数不能被省略
• "清空"方法不存在：画板组件中只有"清除"，没有"清空"
• "余弦"函数名错误：应为"求余弦"而非"余弦"
• "画板宽度"属性问题

这些错误的共同特点是：逻辑正确，但API命名不准确。这恰恰反映了AI在处理非主流编程语言时的典型短板——训练数据中相关语料不足，导致对具体API名称的记忆不够精确。

错误修复过程

作者将编译错误信息直接复制给智能体，AI随即进行了针对性修复：

• 将"余弦"修正为"求余弦"
• 将"正弦"修正为"求正弦"
• 修正了"取时间"的参数格式
• 处理了画板清除的API调用

有意思的是，AI在修复时能够搜索到知识库中正确的API名称（如"求余弦"），说明知识库中确实包含了正确信息，只是在首次生成时没有精确匹配。

最终运行效果

修复后的程序成功编译运行，呈现出一个完整的圆形时钟界面。作者本人也承认："这是比我自己写的还要好看的。"时钟具备了完整的表盘数字、三根指针，并能实时跟随系统时间变化。

后续作者还提出了一个小优化需求——将"11:9"这样的时间显示改为"11:09"的补零格式，AI同样顺利完成了修改。

关键经验与启示

AI编程在非主流框架中的表现

火山视窗作为中文编程平台，AI训练语料远少于Python、JavaScript等主流语言。在这种场景下，AI的表现呈现出明显的"逻辑强、细节弱"特征：

• 算法逻辑：三角函数计算、角度换算、事件驱动等核心逻辑基本正确
• API细节：具体的函数名、参数格式容易出错
• 架构设计：整体代码结构合理，模块划分清晰

自建智能体的优势与不足

优势：

• 知识库可定制，能补充特定框架的API文档
• 分步计划机制提高了复杂任务的完成率
• 自检功能能捕获部分逻辑错误

不足：

• 知识库检索可能陷入死循环
• 自检不包括API准确性验证
• 无法直接调用编译器进行端到端验证（新版火山已支持命令行编译，可改善此问题）

对开发者的实际建议

1. 不要期望一次生成完美代码：即使是简单需求，首次生成的代码大概率需要调试
2. 建立高质量知识库：对于非主流框架，API文档的完整性直接决定生成质量
3. 善用错误反馈循环：将编译错误直接喂给AI，通常能快速修复
4. 关注"减少错误"而非"零错误"：每轮修复后错误数量应该递减，这才是健康的迭代过程

总结

这个实战案例展示了AI编程在桌面应用开发中的真实水平：它不是万能的，但确实能大幅降低开发门槛。对于不熟悉三角函数和图形编程的开发者来说，AI在几分钟内完成的工作可能需要自己花费数小时。关键在于建立合理的预期——把AI当作一个"写得快但偶尔粗心的助手"，而不是一个"永不出错的专家"。