AI DevSpace 实战：用 Agent 自动完成 GitCode 开源贡献任务

前言

在华为云 AI Agent 开发实践中心体验任务中，有几项需要在 GitCode 上完成开源贡献（Star 仓库、提 Issue）。传统做法是手动打开浏览器、逐个点击操作。但既然我们身处 AI DevSpace 环境，何不让 Agent 来帮我们完成？

本文记录了在 AI DevSpace 中，通过 GitCode 连接器 + OAuth 工具链，让 Agent 自动完成 Star 和 Issue 提交的全过程。不是教程搬运，是真实操作复盘。

背景：实践中心任务一览

AI Agent 开发实践中心（https://hands-on-agent.developer.huaweicloud.com/）设有四项实践任务：

其中 Star 和 Issue 两个任务最有技术含量，也是本文的重点。

第一步：连接 GitCode 连接器

AI DevSpace 内置了 MCP 连接器机制，支持 GitCode、GitHub 等多个代码托管平台。

在 DevSpace 的连接器管理页面，找到 GitCode 连接器并完成 OAuth 授权。授权后，连接器状态变为 ready，即可通过 Agent 调用 GitCode API。

连接器提供了 42 个操作，涵盖仓库管理、Issue 管理、文件操作、分支管理、Merge Request 等。但值得注意的是——没有 Star 操作。这成为了后续解决问题的关键挑战。

第二步：定位目标仓库

实践中心的"去 Star"按钮指向 https://gitcode.com/agent-best-practices 组织页面。通过连接器的 search_repos 操作搜索该组织下的仓库，找到了组织门户仓库：

• 仓库：agent-best-practices/Readme
• 描述：AI Agent开发实践中心 组织门户：项目全景导航、快速实践体验入口、指导文档索引
• 现有 Star 数：145

这就是我们要 Star 的"实践中心代码仓"。

第三步：提交 Issue（连接器直接搞定）

连接器提供了 gitcode.create_issue 操作，可以直接创建 Issue。

在提交前，我先浏览了仓库现有的 Issue，了解社区反馈的风格和格式。发现已有的 Issue 多为结构化的改进建议，包含背景、复现步骤、期望行为等章节。

基于对实践中心页面的实际观察，我发现案例库区域在页面初始加载时显示"未找到匹配的案例"，需要手动切换筛选标签才能看到内容。这是一个真实的 UI 体验问题，于是草拟了如下 Issue：

标题：案例库初始加载时显示"未找到匹配的案例"，需手动切换筛选才显示内容

正文包含：问题描述、复现步骤、期望行为、实际行为、环境信息

通过连接器一键提交，Issue #117 创建成功。

关键点：Issue 的内容必须基于真实观察，而不是为了完成任务而灌水。社区维护者会审阅每一条 Issue，有价值的反馈才能双赢。

第四步：Star 仓库（曲线救国）

连接器没有 Star 操作，这是最大的障碍。解决方案分三步走：

4.1 安装 gitcode-oauth 工具

从 GitCode 仓库 zhoucungen/gitcode-oauth 下载对应平台的二进制文件（v0.0.6, linux-arm64），安装到本地 ~/.local/bin/。

这个工具支持通过 GitCode API v5 进行认证和 API 调用，关键是它的 get 命令支持所有 HTTP 方法（GET/POST/PUT/PATCH/DELETE），不限于 GET。

4.2 OAuth 扫码登录

启动本地 OAuth 服务器，生成二维码，用 GitCode App 扫码完成授权。Token 保存在 ~/.gitcode/auth.toml（权限 0600，仅所有者可读）。

4.3 调用 Star API

GitCode API v5 的 Star 端点不是 GitHub 风格的 PUT /user/starred/{owner}/{repo}，而是：

gitcode-oauth get /repos/{owner}/{repo}/star -X POST

调用后返回：

{
  "full_name": "agent-best-practices/Readme",
  "star_count": 146,
  "starred": true
}

Star 数从 145 变为 146，任务完成。

复盘与思考

做对了的：

1. 先观察再行动：在提 Issue 前，先浏览了仓库现有 Issue 的风格，确保提交的内容符合社区规范。
2. 真实反馈：Issue 基于对实践中心页面的实际观察，是真实的 UI 问题，不是编造的。
3. 安全意识：OAuth token 存储在本地文件中，权限 0600，不泄露到任何外部服务。

走了弯路的：

1. Star API 端点：一开始按 GitHub API 的习惯用 PUT /user/starred/{owner}/{repo}，返回 404。GitCode 的 API 虽然兼容大部分 GitHub API，但 Star 端点路径不同，需要用 POST /repos/{owner}/{repo}/star。
2. gitcode-oauth 安装：最初用 releases/download/latest/install.sh 路径下载安装脚本，返回 404。实际需要指定具体版本号（如 v0.0.6）才能正确下载。

关于 AI DevSpace 的体验：

整个过程最深刻的感受是：DevSpace 里的 Agent 不是简单的代码生成器，而是能实际操作外部系统的执行者。它能够：

• 通过 MCP 连接器调用 GitCode API
• 在遇到工具能力不足时（没有 Star 操作），主动寻找替代方案
• 安装额外工具、完成 OAuth 认证、调用 API

这种"发现问题 → 寻找工具 → 解决问题"的闭环能力，才是 AI Agent 在真实业务场景中的价值所在。

结语

一次看似简单的"完成实践任务"的过程，实际涉及了 MCP 连接器、OAuth 认证、API 探索、工具安装等多个技术环节。希望这篇复盘能帮助其他开发者在 AI DevSpace 中更顺畅地完成类似任务。

如果你也在体验 AI Agent 开发实践中心，欢迎交流你的实践经验。实践中心仓库地址：https://gitcode.com/agent-best-practices