PyCharm 新增了 Agent Environment Coordinator 技能，帮助 AI 代理使用与项目关联的正确 Python 解释器和运行环境，而不是自动使用系统解释器或将软件包安装到错误的位置。JetBrains 表示，这个问题会导致配置损坏和环境污染，需要开发者手动修复。
JetBrains 使用六个 AI 模型执行了 28 项不同的编程任务。当代理无法访问项目的实际环境时，平均成功率为 68%。而在通过 PyCharm 中的该技能向代理提供这些信息后，平均成功率升至 98%，且无需修改系统 Python。
该技能解决的问题
大型语言模型代理经常忽略项目专用的虚拟环境，转而使用系统解释器。一台设备上可能有多个解释器，而项目则会使用不同的工具管理环境，例如 uv、Poetry、pip 搭配 venv，或 conda。代理通常没有直接查看 PyCharm 中这些设置的方式。
在典型场景中，代理可能会使用错误的解释器执行 pip install httpx，导致软件包被全局安装，随后程序运行失败，并污染系统上正在使用的环境。PyCharm 已经知道与项目关联的解释器以及管理该环境的工具，因此 JetBrains 设计了一种让代理请求这些信息的方式。
Agent Environment Coordinator 如何工作
该技能允许代理调用 PyCharm 提供的两个函数。get_python_environment 会返回当前文件或代码模块对应的正确解释器，以及其路径和负责管理它的工具，无论该工具是 uv、Poetry、pip 搭配 venv，还是 conda。
如果尚未配置环境，则使用 configure_python_interpreter 调用 PyCharm 中已有的配置机制来创建合适的解释器，其中包括建议创建 .venv 文件夹的同一机制。因此，新解释器也会在集成开发环境中显示出来。
JetBrains 强调，该技能不会拦截命令，也不会重写命令。它只返回环境信息，随后由代理自行决定是否使用这些信息，以及如何将其纳入命令。这样，代理可以通过 PyCharm 现有的机制获得缺失的上下文，而无需由该技能代替代理执行命令。
测试结果
测试集包括与 Python 环境相关的日常任务，例如运行测试、安装库、查看依赖项以及解决版本冲突。每项任务都要求代理选择正确的解释器来执行某条命令。如果代理污染系统环境，所得奖励也会降低。因此，较高的成功率不仅代表任务完成，还表明执行过程更加干净。
JetBrains 使用 Harbor，在启用和未启用该技能的情况下，为每个模型完整运行任务集三次，然后计算平均结果。公布的改进包括以下模型：
- Sonnet 5：从 73% 提升至 100%。
- Opus 5：从 94% 提升至 100%。
- Codex/GPT-5.6：从 80% 提升至 100%。
JetBrains 认为，这些结果表明，根本问题在于上下文不足，而不是模型无法完成任务。模型本身没有变化，但它们不再需要猜测所需的解释器，这也解释了为什么初始结果最差的模型获益最大。此外，由于测试会因污染系统环境而扣分，分数提升还意味着执行产生的残留减少，而不仅仅是成功完成的任务数量增加。
可用性
可以在 PyCharm 2026.2.1 中试用该技能：打开 AI 对话，并请求在项目中安装软件包或运行命令。Agent Environment Coordinator 是 PyCharm 内置的技能之一，可以在开发环境中浏览和管理技能，也可以通过公共 GitHub 仓库等外部注册表扩展技能库，或导入为 Claude Code 或 Codex 预先准备的技能。