如何搭建 24 小时运行的AI Coding Agent？

一句话导读：2026 年想搭一套能整夜接 issue、改代码、开 PR 的 AI Coding Agent，很多人第一步就搞错了——以为装个 Cursor 或买个 API 就够了。真正跑得久的 autonomous coding agent，背后还得有常驻执行面、任务调度与客观验证。下文按架构分层、部署拓扑、最小可行栈、生产加固四条线展开，是一份可以直接照着做的完整部署指南。

1. 24 小时 AI Coding Agent 到底是什么？

和 IDE 里装的 Copilot、Cursor Tab 不同，24 小时 AI Coding Agent 解决的是另一件事：当你不在场时，谁有权在真实环境里改仓库、跑命令、拿验证信号？

一套能跑通的部署通常包含四块能力，缺任何一块都称不上「24 小时 autonomous coding agent」：

• 常驻执行环境（L0）——不断电、不断网的 macOS 或 Linux 节点，能跑 git、npm、xcodebuild。
• 编码 Agent 进程（L3/L5）——结对层（Claude Code）或自主层（OpenHands），负责读上下文、写 Diff。
• 任务入口与队列——GitHub issue label、Webhook、定时 cron、Slack 指令等，把「要做的事」喂给 Agent。
• 客观验证（L1）——GitHub Runner 或本地测试脚本，产出组织能信的 Fact，而不只是 Agent 自称「搞定了」。

一句话：执行节点是地基和水电；Agent 是干活的工人；Runner 是质检员。 许多团队翻车，是因为只买了模型 API、在 MacBook 上跑了个脚本，就指望它能当 24/7 AI Coding Agent——合盖、休眠、内存争抢、出口 IP 变化，都会在凌晨三点把任务掐断。

2. 一张图：从任务入口到可合并 PR

下面用因果链概括一条典型的 autonomous coding agent 流水线。左侧是主链，右侧是「能跑通」与「会翻车」的对照。

3. 五层组件拆解

与 AI Agent 基础设施分层 一致，24/7 Agent 部署不必一次买齐，但要知道每层缺了会怎样：

Claude Code 生产 Diff，Runner 生产 Fact，OpenHands 生产 Workflow——这三句是部署 AI Coding Agent 时的分工口诀。若你只想夜间自动清 lint issue，L0 + L5 + L1 往往就够；若还要白天结对啃架构，再加 L3，同机叠跑时注意内存排程（见 并行内存排班）。

4. 部署拓扑：本地 Mac mini vs Cloud Mac

24 小时 AI Coding Agent 的执行节点可以是物理机、虚拟机或云租用实例，选型看在线 SLA而不是看牌子：

纯后端仓库（Go / Node / Python）理论上 Linux VPS 也能跑 AI Coding Agent，但一旦 workflow 里出现 xcodebuild、swift test 或 Apple 签名，执行面必须回到 macOS。这也是 2026 年多数部署指南默认写 Mac 的原因——不是情怀，是 ABI 边界。

5. 最小可行栈（MVP）：先跑通一条夜间任务

别第一天就搭 Kubernetes + 向量库。下面是一套我们见过最快跑通「issue → PR → CI 绿」的组合：

• 节点：M4 Mac mini 16GB 或同等 Cloud Mac；叠 OpenHands + Runner 建议 24GB。
• Agent：OpenHands（自主）或 Claude Code + 简单 shell 包装（半自动）。
• 模型：Claude / GPT API；本地 Ollama 可选，非 24/7 必需。
• 入口：给 issue 打 agent label 触发 GitHub Webhook。
• 验证：同机 self-hosted Runner，runs-on: [self-hosted, macOS]。
• 上下文：GitHub MCP 只读 + 仓库 AGENTS.md 写清红线。

6. 7 步部署清单

以下按顺序执行，每步都可单独验收——这是本指南的核心实操部分，避免「装完全套才发现 Runner 没注册」。

Step 1 — 准备 L0 节点。 确保 SSH、时钟同步、磁盘 ≥ 256GB（Xcode + 多 workspace 很吃空间）。Cloud Mac 用户先完成实例初始化与静态 IP 确认。

Step 2 — 创建受限 git 身份。 为 Agent 单独建 GitHub App 或 deploy key：只写 feature 分支，默认无 main 写权限。生产密钥、npm token 不进 Agent 环境变量。

Step 3 — 安装编码 Agent。 OpenHands 示例（Docker 或原生安装依官方文档）：

# 在 L0 节点上，克隆 OpenHands 并按官方文档配置 LLM API Key
git clone https://github.com/OpenHands/OpenHands.git
cd OpenHands
# 配置 .env：MODEL、GITHUB_TOKEN（只读 issue）、WORKSPACE_BASE
make run

Step 4 — 接入 MCP（可选但推荐）。 大仓接 CodeGraph MCP，让 autonomous agent 先「看得见」依赖关系再动手。

Step 5 — 注册 GitHub Runner。 与 Agent 同机注册，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 — 配置任务入口。 GitHub Webhook 指向 server 上的轻量 HTTP 服务，或使用 OpenHands 内置集成；用 label agent-ready 过滤，避免每个 comment 都触发。

Step 7 — 监控与熔断。 记录每次任务的 token 用量、耗时、改动文件数；单任务超时（如 90 分钟）自动 kill；并发设为 1，直到稳定后再开 2。

7. 生产加固：别让 Agent 半夜改坏主线

Autonomous coding agent 最大的风险不是「模型笨」，而是权限过大 + 无人复核。上线前至少落实：

8. 成本与规格怎么估

一套 24 小时 AI Coding Agent 的账单通常分三块：

• 算力节点：Mac mini 一次性 + 电费；Cloud Mac 按日/周订阅（对比见 租 vs 买）。
• 模型 API：autonomous agent 多轮循环，单次任务常是结对编码的 5–20 倍 token；建议任务级预算上限。
• 人力运维：初期每周几小时看日志、调 prompt、清 stuck 任务；别假设「装上就零维护」。

规格经验：仅 OpenHands + 中等仓库，16GB 可跑但易 Swap；Agent、Runner、可选 Ollama 同机时，24GB 是更省心的起点（见 16GB vs 24GB）。

9. 常见翻车点

• 把结对工具当 autonomous agent——Claude Code 会话结束就停，除非你再包一层调度。
• 无 Fact 层——Agent 自称测试通过，Runner 从未跑过（为何值得自建 Runner）。
• 并发过大——两台 autonomous task 同时跑，16GB 机器直接 Swap 到怀疑人生。
• 上下文裸奔——百万行 monorepo 不让 Agent 用 CodeGraph，等于盲人 refactor。
• 忽略时区与通知——任务失败无告警，早上才发现仓库里躺着半成品 PR。

10. 常见问题

Q：Cursor Background Agent 算不算 24 小时 AI Coding Agent？
A：Cursor 提供托管执行面，你本地不必 24/7 开机——但仓库权限、CI 验证、合规边界仍要你自己配。自托管部署的意义是数据与执行完全在你控制的节点上。

Q：能不能用 GitHub Copilot Workspace / OpenAI Codex？
A：可以作 L3/L5 的模型与界面层；部署层仍是执行环境 + 调度 + 验证。Codex 与 ChatGPT 合并后更偏结对，无人值守仍需 workflow 包装（见 Codex 合并解读）。

Q：Linux 上跑 Docker 版 OpenHands 够吗？
A：纯 Web / 后端够；任何 Apple 工具链步骤都必须切到 macOS 节点。混合团队常见架构：Linux 跑调度，macOS Cloud Mac 跑构建与 Agent。

Q：一个人维护有必要上 24/7 吗？
A：若你只想白天结对编码，不必。24/7 AI Coding Agent 适合：issue 积压、跨时区团队、或想把「清技术债」从白天挪到夜间机器时间。

Q：和 Devin / Factory 等商业 autonomous agent 比？
A：商业产品卖的是打包好的 Agent + 执行面 + 界面；自部署的意义是可审计、可定制权限、可与现有 Runner/MCP 栈对齐。许多团队最终是「商业 Agent 做探索，自托管节点跑量产任务」。