qwenpaw 接入 ACP 后，我发现了 AI 编程的 5 种新玩法

从"聊天机器人"到"本地 AI 基础设施"，qwenpaw + ACP 正在改变我们使用 AI 的方式

前言

最近给 qwenpaw 接入了 ACP（Agent Client Protocol） 支持。

起初我以为这只是个"让外部工具能调用 qwenpaw"的功能。但真正深入使用后，我发现它彻底打通了 AI 编程的场景边界。

以前 qwenpaw 是个"聊天助手"，现在它变成了本地 AI 基础设施。

今天复盘一下，接入 ACP 后，我发现了哪些有意思的玩法。

1. 核心概念：ACP 是什么？

在说玩法之前，先简单理解一下 ACP。

ACP 是 Zed 团队提出的 Agent Client Protocol，一套标准化的 JSON-RPC 协议，用于让编辑器、IDE 与 AI Agent 通信。

qwenpaw 接入 ACP 后，支持了两种互补模式：

模式	角色	说明
ACP Server	qwenpaw 是服务端	外部客户端（OpenCode、Zed、Cursor 等）通过 ACP 协议连接 qwenpaw
ACP Client	qwenpaw 是客户端	qwenpaw 作为调度中心，连接外部 ACP Runner（如 opencode、qwen_code）

2. 玩法一：OpenCode 连接 qwenpaw —— 让 AI 拥有记忆与技能

场景

OpenCode 是个优秀的本地 AI 编程客户端，但它本身没有记忆、没有文件操作能力、没有多步任务编排。

接入 ACP 后，OpenCode 可以作为前端，qwenpaw 作为大脑：

# OpenCode 通过 ACP 连接 qwenpaw
opencode -m qwenpaw  # 假设已配置 ACP 端点

效果

OpenCode 负责代码编辑、Diff 展示、实时交互
qwenpaw 负责记忆读取、技能调用、多步任务执行
两者各司其职，体验远超单一工具

我的实践

我在 OpenCode 中让 qwenpaw 帮我：

读取 MEMORY.md 中的项目上下文
搜索历史会话中的技术决策
调用 foss3 技能检查对象存储配置
生成代码并提交到 Git

整个过程在 OpenCode 的 UI 中完成，但背后调用了 qwenpaw 的全部能力。

3. 玩法二：qwenpaw 调度 opencode —— 让 AI 自己写代码

场景

qwenpaw 作为任务调度器，将编程任务委派给 opencode（作为 ACP Runner）：

# qwenpaw 内部逻辑（伪代码）
def code_task(task: str):
    runner = ACPRunner("opencode")
    result = runner.run(task)
    return result

效果

qwenpaw 负责理解需求、拆解任务、结果校验
opencode 负责编码、调试、文件修改
形成**"大脑 + 手脚"**的协作模式

我的实践

用户：帮我把 FOSS3 的 storage 模块重构一下
qwenpaw：
  1. 分析代码结构
  2. 拆解为 3 个子任务
  3. 分别委托 opencode 执行
  4. 合并结果，运行测试
  5. 提交 PR

这种"AI 调度 AI"的模式，是目前最接近自动化的实现方式。

4. 玩法三：多 Agent 协作编程

场景

结合 qwenpaw 的多智能体协作能力，可以实现复杂的编程工作流：

用户：实现一个 S3 兼容的对象存储系统
    ↓
qwenpaw（主 Agent）
    ├─→ foss3_skill（FOSS3 项目专家）
    │     读取 FOSS3 API 文档，确定接口规范
    ├─→ code_agent（代码生成）
    │     根据规范生成 Python/Django 代码
    ├─→ test_agent（测试验证）
    │     编写单元测试，运行验证
    └─→ review_agent（代码审查）
          检查代码质量，提出改进建议

效果

每个 Agent 专注一个领域
通过 ACP 协议高效通信
最终产出经过验证的、高质量的代码

5. 玩法四：跨工具链整合

场景

ACP 协议让 qwenpaw 可以统一管理多种 AI 工具：

工具	角色	ACP 能力
opencode	本地编程	代码生成、文件编辑
qwen_code	阿里编程助手	代码补全、解释
Claude Code	Anthropic 编程	高级推理、长上下文
Codex	OpenAI 编程	通用代码生成

效果

qwenpaw 可以根据任务类型自动选择最佳工具：

简单任务 → 本地 opencode（快速、免费）
复杂推理 → Claude Code（强推理能力）
代码补全 → qwen_code（阿里模型）

这就是"AI 的 AI"——qwenpaw 成为 AI 工具的编排层。

6. 玩法五：实时流式交互

场景

ACP 支持流式更新，qwenpaw 可以实时推送中间状态：

session_update:
  - agent_thought_chunk: "正在分析代码..."
  - tool_call: "读取 foss3-api-docs.md"
  - tool_call_update: "读取完成，共 1200 行"
  - agent_message_chunk: "发现 3 个需要修改的接口..."

效果

用户可以看到AI 的思考过程
可以中途干预（取消、修改指令）
调试更容易（知道 AI 卡在哪里）

7. 技术细节：我是怎么实现的

1. 启动 qwenpaw 作为 ACP Server

qwenpaw acp --workspace /path/to/workspace

2. 外部客户端连接

# ACP 客户端示例
import json
import subprocess

proc = subprocess.Popen(
    ["qwenpaw", "acp", "--workspace", WORKSPACE],
    stdin=subprocess.PIPE,
    stdout=subprocess.PIPE,
    text=True
)

# 初始化握手
resp = rpc("initialize", {
    "protocolVersion": 20250326,  # 注意：必须是整数
    "clientInfo": {"name": "my-client", "version": "1.0"}
})

# 创建会话
resp = rpc("new_session")
session_id = resp["result"]["sessionId"]

# 发送 Prompt
resp = rpc("prompt", {"text": "帮我写个 Django 视图"})