如何搭建 24 小時運行的AI Coding Agent？

一句話導讀：2026 年想搭一套能整夜接 issue、改程式碼、開 PR 的 AI Coding Agent，很多人第一步就搞錯了——以為裝個 Cursor 或買個 API 就夠了。真正跑得久的 autonomous coding agent，背後還得有常駐執行面、任務排程與客觀驗證。下文按架構分層、部署拓撲、最小可行棧、生產加固四條線展開，是一份可以直接照著做的完整部署指南。

1. 24 小時 AI Coding Agent 到底是什麼？

和 IDE 裡裝的 Copilot、Cursor Tab 不同，24 小時 AI Coding Agent 解決的是另一件事：當你不在場時，誰有權在真實環境裡改程式庫、跑命令、拿驗證訊號？

一套能跑通的部署通常包含四塊能力，缺任何一塊都稱不上「24 小時 autonomous coding agent」：

• 常駐執行環境（L0）——不斷電、不斷網的 macOS 或 Linux 節點，能跑 git、npm、xcodebuild。
• 編碼 Agent 程序（L3/L5）——結對層（Claude Code）或自主層（OpenHands），負責讀上下文、寫 Diff。
• 任務入口與佇列——GitHub issue label、Webhook、定時 cron、Slack 指令等，把「要做的事」餵給 Agent。
• 客觀驗證（L1）——GitHub Runner 或本機測試腳本，產出組織能信的 Fact，而不只是 Agent 自稱「搞定了」。

一句話：執行節點是地基和水電；Agent 是幹活的工人；Runner 是品管員。 許多團隊翻車，是因為只買了模型 API、在 MacBook 上跑了個腳本，就指望它能當 24/7 AI Coding Agent——合蓋、休眠、記憶體搶占、出口 IP 變化，都會在凌晨三點把任務掐斷。

2. 一張圖：從任務入口到可合併 PR

下面用因果鏈概括一條典型的 autonomous coding agent 流水線。左側是主鏈，右側是「能跑通」與「會翻車」的對照。

3. 五層元件拆解

與 AI Agent 基礎設施分層 一致，24/7 Agent 部署不必一次買齊，但要知道每層缺了會怎樣：

Claude Code 生產 Diff，Runner 生產 Fact，OpenHands 生產 Workflow——這三句是部署 AI Coding Agent 時的分工口訣。若你只想夜間自動清 lint issue，L0 + L5 + L1 往往就夠；若還要白天結對啃架構，再加 L3，同機疊跑時注意記憶體排程（見 並行記憶體排班）。

4. 部署拓撲：本機 Mac mini vs Cloud Mac

24 小時 AI Coding Agent 的執行節點可以是實體機、虛擬機或雲租用執行個體，選型看上線 SLA而不是看牌子：

純後端程式庫（Go / Node / Python）理論上 Linux VPS 也能跑 AI Coding Agent，但一旦 workflow 裡出現 xcodebuild、swift test 或 Apple 簽章，執行面必須回到 macOS。這也是 2026 年多數部署指南預設寫 Mac 的原因——不是情懷，是 ABI 邊界。

5. 最小可行棧（MVP）：先跑通一條夜間任務

別第一天就搭 Kubernetes + 向量庫。下面是一套我們見過最快跑通「issue → PR → CI 綠」的組合：

• 節點：M4 Mac mini 16GB 或同等 Cloud Mac；疊 OpenHands + Runner 建議 24GB。
• Agent：OpenHands（自主）或 Claude Code + 簡單 shell 包裝（半自動）。
• 模型：Claude / GPT API；本機 Ollama 可選，非 24/7 必需。
• 入口：給 issue 打 agent label 觸發 GitHub Webhook。
• 驗證：同機 self-hosted Runner，runs-on: [self-hosted, macOS]。
• 上下文：GitHub MCP 唯讀 + 程式庫 AGENTS.md 寫清紅線。

6. 7 步部署清單

以下按順序執行，每步都可單獨驗收——這是本指南的核心實操部分，避免「裝完全套才發現 Runner 沒註冊」。

Step 1 — 準備 L0 節點。 確保 SSH、時鐘同步、磁碟 ≥ 256GB（Xcode + 多 workspace 很吃空間）。Cloud Mac 使用者先完成執行個體初始化與靜態 IP 確認。

Step 2 — 建立受限 git 身份。 為 Agent 單獨建 GitHub App 或 deploy key：只寫 feature 分支，預設無 main 寫權限。生產金鑰、npm token 不進 Agent 環境變數。

Step 3 — 安裝編碼 Agent。 OpenHands 範例（Docker 或原生安裝依官方文件）：

# 在 L0 節點上，克隆 OpenHands 並按官方文件設定 LLM API Key
git clone https://github.com/OpenHands/OpenHands.git
cd OpenHands
# 設定 .env：MODEL、GITHUB_TOKEN（唯讀 issue）、WORKSPACE_BASE
make run

Step 4 — 接入 MCP（可選但推薦）。 大型程式庫接 CodeGraph MCP，讓 autonomous agent 先「看得見」依賴關係再動手。

Step 5 — 註冊 GitHub Runner。 與 Agent 同機註冊，label 如 macos-agent。workflow 片段：

# .github/workflows/agent-verify.yml
name: Agent PR Verify
on:
  pull_request:
    types: [opened, synchronize]
jobs:
  verify:
    runs-on: [self-hosted, macOS, agent]
    steps:
      - uses: actions/checkout@v4
      - run: swift test   # 或 npm test / go test

Step 6 — 設定任務入口。 GitHub Webhook 指向 server 上的輕量 HTTP 服務，或使用 OpenHands 內建整合；用 label agent-ready 過濾，避免每個 comment 都觸發。

Step 7 — 監控與熔斷。 記錄每次任務的 token 用量、耗時、改動檔案數；單任務逾時（如 90 分鐘）自動 kill；並行設為 1，直到穩定後再開 2。

7. 生產加固：別讓 Agent 半夜改壞主線

Autonomous coding agent 最大的風險不是「模型笨」，而是權限過大 + 無人覆核。上線前至少落實：

8. 成本與規格怎麼估

一套 24 小時 AI Coding Agent 的帳單通常分三塊：

• 算力節點：Mac mini 一次性 + 電費；Cloud Mac 按日/週訂閱（對比見 租 vs 買）。
• 模型 API：autonomous agent 多輪迴圈，單次任務常是結對編碼的 5–20 倍 token；建議任務級預算上限。
• 人力維運：初期每週幾小時看日誌、調 prompt、清 stuck 任務；別假設「裝上就零維護」。

規格經驗：僅 OpenHands + 中等程式庫，16GB 可跑但易 Swap；Agent、Runner、可選 Ollama 同機時，24GB 是更省心的起點（見 16GB vs 24GB）。

9. 常見翻車點

• 把結對工具當 autonomous agent——Claude Code 工作階段結束就停，除非你再用一層排程包起來。
• 無 Fact 層——Agent 自稱測試通過，Runner 從未跑過（為何值得自建 Runner）。
• 並行過大——兩台 autonomous task 同時跑，16GB 機器直接 Swap 到懷疑人生。
• 上下文裸奔——百萬行 monorepo 不讓 Agent 用 CodeGraph，等於盲人 refactor。
• 忽略時區與通知——任務失敗無告警，早上才發現程式庫裡躺著半成品 PR。

10. 常見問題

Q：Cursor Background Agent 算不算 24 小時 AI Coding Agent？
A：Cursor 提供託管執行面，你本機不必 24/7 開機——但程式庫權限、CI 驗證、合規邊界仍要你自己配。自託管部署的意義是資料與執行完全在你控制的節點上。

Q：能不能用 GitHub Copilot Workspace / OpenAI Codex？
A：可以作 L3/L5 的模型與介面層；部署層仍是執行環境 + 排程 + 驗證。Codex 與 ChatGPT 合併後更偏結對，無人值守仍需 workflow 包裝（見 Codex 合併解讀）。

Q：Linux 上跑 Docker 版 OpenHands 夠嗎？
A：純 Web / 後端夠；任何 Apple 工具鏈步驟都必須切到 macOS 節點。混合團隊常見架構：Linux 跑排程，macOS Cloud Mac 跑建置與 Agent。

Q：一個人維護有必要上 24/7 嗎？
A：若你只想白天結對編碼，不必。24/7 AI Coding Agent 適合：issue 積壓、跨時區團隊、或想把「清技術債」從白天挪到夜間機器時間。

Q：和 Devin / Factory 等商業 autonomous agent 比？
A：商業產品賣的是打包好的 Agent + 執行面 + 介面；自部署的意義是可稽核、可客製權限、可與現有 Runner/MCP 棧對齊。許多團隊最終是「商業 Agent 做探索，自託管節點跑量產任務」。