前言

Higress 的 AI 网关开发挑战赛已经开赛，总奖金池 20 万，详情可以查看这篇文章：一等奖6万，Higress AI 网关开发挑战赛正式上线

这次挑战赛的赛题有一定的门槛，借助 AI Coding 工具，如 Qoder 等则可以大幅降低门槛。甚至用 Auto Coding 的方式，解放双手和大脑，全自动编码，Auto Coding Auto Win!

之前使用 Qoder 的 IDE 工具，对于 Quest 模式的感受很好，特别是较复杂的任务，有了 Quest 提前做约定和设计，可以让 AI 不在多轮任务处理中迷失，较少需要人介入。对于 Auto Coding/Vibe Coding 来说，更是一个必需品，确保在完全没有人介入编码的情况下，最终的结果和预期不至于偏差过大。

现在 Qoder 推出了 CLI 工具：阿里Qoder产品家族再增一员，Qoder CLI 将智能拓展到终端，并且也支持了 Quest 模式。这样就可以让 Qoder CLI 在不支持图形化界面的云端服务器上全自动编码。

想象下：

• 下班前还有代码没写完，可以设计好 Quest，用 MacBook 连上云端服务器上启动 Qoder CLI；

• 下班后 MacBook 断网带回家看剧，让 Qoder 在云端帮你加班；

• 第二天上班 MacBook 连上云端服务器检查结果符合预期。美滋滋。

接下来让我们用 Qoder CLI 实战一把 Higress 的 AI 网关挑战赛，看看效果如何：

Qoder CLI 的准备工作

安装 Qoder CLI

curl -fsSL https://qoder.com/install | bash

配置一些有用的 MCP 工具

在这篇文章发布的时候，最新的 Qoder CLI 已经支持了内置的 WebSearch 和 WebFetch 能力，不需要再单独安装下面的 BraveSearch 和 Firecrawl MCP Server 了，Qoder CLI 又更简单更好用了～

这里推荐 3 个比较有用的 MCP 工具，并且可以从 https://mcp.higress.ai/ 获取地址一键接入：

这里 Context7 可以用于查询开源库的最新代码文档，用 BraveSearch 可以在互联网搜索资料，再结合 Firecrawl 可以将 Context7 和 BraveSearch 查询到的资料中的 URL 连接解析成完整文本（支持执行 JS 脚本，将面向浏览器的页面内容解析成 Markdown），从而提供更详细的信息。

在 mcp.higress.ai 上获取到这三个 MCP 服务的 streamableHTTP 接入点后，对 Qoder CLI 进行如下配置:

qodercli mcp add -s user -t http bravesearch https://mcp.higress.ai/mcp-bravesearch/xxxxxx
qodercli mcp add -s user -t http firecrawl https://mcp.higress.ai/mcp-firecrawl/xxxxxx
qodercli mcp add -s user -t http context7 https://mcp.higress.ai/mcp-context7/xxxxxx

在 Qoder CLI 里执行 /mcp可以看到所有加载进来的 MCP 工具：

Auto Coding 的准备工作

Higress 的 AI 网关挑战赛一共有 3 个赛题，这里选择第 2 个赛题方向：RAG 增强。

首先将 Higress 的 repo（https://github.com/alibaba/higress） fork 到你自己的账号下：

然后 clone 下来：

git clone https://github.com/<你的github ID>/higress.git

然后进入到 clone 的目录下，启动 qodercli：

cd higress
qodercli --dangerously-skip-permissions

这里因为需要 Auto Coding，建议以--dangerously-skip-permissions方式启动，注意这将完全信任 Qoder 的所有操作，可以避免因为需要权限时，停下操作等待用户输入。

接下来我会分多个阶段来演示和 Qoder CLI 的交互：

阶段一：题目理解

我们首先让 Qoder 读一下题，理解一下背景，告诉他用 firecrawl 的 scrap 工具访问赛事页面获取赛题内容：

我现在要参加Higress AI网关编程挑战赛的赛题二：RAG增强，请先理解这个赛题，可以用firecrawl的scrape工具获取这个页面内容：https://competition.atomgit.com/competitionInfo?id=c16f796963021f21711ad25819c664b4

可以看到 Qoder 成功解读了这个 RAG 增强的赛题：

接下来让他搜索一下互联网上的相关技术，可以提供一些参考，告诉他用 bravesearch 的 brave_web_search 工具：

用bravesearch的brave_web_search工具可以搜索下互联网上相关技术实现，可以用firecrawl的scrape工具对搜索到的url的内容进行深入分析，我希望你通过这个方式，从而对类似的技术实现有一定了解

可以看到他从github，技术博客，论文网站等地方上搜索到了大量相关知识：

到此，我们认为 Qoder 理解到的东西足够多了，可以开始进入 Quest 设计模式了

阶段二：Quest 详细设计

我们输入 /quest 指令，让它根据赛题要求，进行设计：

/quest 请根据你理解到的知识以及赛题要求，进行参赛编码前的详细设计，要求该方案的可行性较高

Qoder 询问了是否需要提供更多的技术细节

这里我们回复数字 3 ，并告诉他当前 Higress 仓库下具体的改动位置：

plugins/golang-filter/mcp-server/servers/rag 这个目录下已经有一个 RAG MCP Server 的基础实现，请在这个基础上实现RAG增强的相关逻辑，来完成这个赛题

Qoder 会提供多种选项，比如让我介绍现有实现，或者边分析变讨论。我们直接选择让他进行深度代码分析。

分析完成后，我们让他进行详细设计：

后续 Qoder 还会让提供一些关键设计的决策，基本上都回复 ok 即可，例如：

最终完成了设计文档和任务清单的编写：

这里我们可以对两个文档进行 Review 和修改，并在最终确认后批准这两个文档。这样我们就正式进入 Auto Coding 阶段了。

开始 Auto Coding

选择立即开始实现：

在等待一段较长的时间之后，Qoder 完成了所有工作，可以看到他完成了所有集成测试，按照赛题要求提供了核心功能展示的 demo，还可以根据赛题要求提供一份参赛说明文档。

让 Qoder 提交这些改动，然后 Push，提交了一个 PR，可以到这里查看：https://github.com/alibaba/higress/pull/2989/files

共计 49 个文件，2万行左右的代码改动，人工 Review 的成本还是比较高的。可以基于 Higress 项目集成的通义灵码 Agent 进行辅助 Review。这是 Review Agent 的整体分析：

整体代码的实现基本是可用的，但也有些细节问题，例如混合检索的部分是实现了一个基于 BM25 的纯内存检索，没有使用项目已经对接的 Milvus 内置的 BM25 全文检索。这个可能也是因为我们在设计阶段偷了懒。

后记

想要通过完全 Auto Coding 参加这个编程挑战赛，目前来看还是不太可行的。不过使用 Qoder CLI 肯定可以大幅降低参赛门槛。此外，如果对于 Qoder CLI 命令行的方式不习惯，建议可以直接使用 Qoder IDE 桌面客户端，近期也推出了 Quest Remote 功能，可以跟 CLI 一样在云端，默默为你加班：《Qoder 重磅升级，推出 Quest Remote 功能，像发邮件一样将任务委派到云端》

如果你对 AI 工程，AI Coding 感兴趣，也想小试一把牛刀，可以参考本文的方式参加 Higress AI 网关挑战赛，总奖金池有 20 万，没准就获奖了呢，可以扫描下面的二维码报名参赛：