Harness 与 Agent 工程 · AI研发与测试工程 · 2026-03-02

AI Coding思考:从工具提效到范式变革,我们还缺什么?

AI Coding如何从工具升级到范式变革?关键在于构建专家知识库,实现业务与AI的高效协同。

核心内容:

  1. 当前AI Coding在企业级应用中的瓶颈与挑战
  2. 专家知识库的构建与智能研发范式变革路径
  3. 未来程序员角色转型与全链路AI协同研发流程

本文围绕AI Coding在企业级软件研发场景中的应用展开深度思考,核心观点是:当前AI Coding虽工具繁多、执行能力快速提升,但在真实业务生产中尚未实现“质变式提效”,根本瓶颈不在于AI能否写好代码(执行复杂度),而在于人类如何准确、高效、规模化地将复杂任务目标准确传达给AI(目标传达复杂度)。文章指出,这一鸿沟的本质是专家知识未被体系化、结构化、自动化地沉淀与复用,导致信息熵过高、上下文工程依赖“人肉手艺”、知识重复建设、难以降本增效。因此,业务研发团队的AI Coding重点不应是自研Agent或追逐IDE新工具,而应转向构建分层、统一、可自治更新的专家知识库(覆盖基础技术、业务架构、团队规范、代码仓库等维度),推动从“工具提效”迈向“知识驱动的智能研发范式变革”。最终,程序员角色将从前端编码者升级为“产品工程师”与“业务架构师”,研发流程也将向需求—设计—编码—验收全链路AI协同演进。

写在前面

基模的不断突破,带动着其上的AI应用高速发展,其中AI Coding的工具更是百花齐放。内部有Aone Copilot、通义灵码、OneDay、Aone Agent、Qwen Code等等,外部呢,年初Cursor爆火,然后Claude Code刷屏,还有Gemini CLI、CodeX等,最近阿里也发布Qoder的独立IDE等等。一会这个最强、那个碾压,一会某某又可以扔了,加上部分团队内部垂直建设的AI Coding工具,可谓琳琅满目、应接不暇,尝鲜都跟不上节奏。

这给我们做业务研发的同学,带来了困惑。不过这篇文章不是要对比不同的工具的优劣,而是想从宏观层面看AI Coding研发提效,我们可能的重点方向是什么。下文的观点只是个人理解,不一定正确,欢迎指正。

老规矩,作为我思考的背景,依然先抛几个问题:

  1. 企业级软件研发场景,AI Coding会发生质变产生颠覆式的研发提效吗?
  2. AI Coding场景要实现质变,站在业务研发视角看,我们应该重点发力和投入的工作是什么?
  3. AI Coding可预见的未来形态会是什么样的呢?程序员的职责会发生什么样的变化?

还没感觉到AI Coding颠覆式研发提效?

这个问题,是加了一个场景限定的——指的是企业级的、用于企业自身业务生产的软件研发场景,比如我们电商的业务需求。其他类型需求,尤其长尾需求,比如原型快速落地、员工内部文化活动页面开发、应用JDK升级、小型非业务需求等,实际上已经有明显的效率提升,这点无需多说。差异在于,前者需要大量的专家知识、需要长期可高效运维、要求很高正确性。这并不是指我们的业务需求的AI Coding没有提升效率,实际上我们有不少团队也有大量的实践案例(尤其前端相关),在Coding执行上是有提效的,但似乎还没有看到“质变”发生——生产流程、角色职责都没有变化,同时每个团队都有大量的前置成本和调试成本无法被忽视。所以AI Coding现在的感觉就是,总体蒸蒸日上,但又总觉得还差点意思。

▐期望的质变是什么?

从提效工具到智能研发范式的转变。想像一下:“机器/汇编语言升级到高级语言”VS“从C语言升级Java语言”,前者用户的角色从硬件操作员+工程师转变为纯粹的程序员,整个软件研发的流程也发生了巨大的变化,后者没有。我认为,如果某些原本人类才能做的复杂工作被AI代替了,导致流程中的角色职责、流程本身发生了变化并带来巨大提效,那可能就是质变。比如现在PD使用Web形态VibeCoding工具快速生成产品原型,HR用它快速开发一个文化活动的页面,这些场景下程序员的工作完全被代替了,PD的角色职责也发生了变化,这是质变的。但我们现在的企业级生产的研发,似乎还没到这样的变化,大多是工具的提效升级,就好比后端的编码IDE从eclipse升级到idea、Java应用架构从EJB升级到Spring,的确是有效率提升,但本质未变。

业务研发,AI Coding建设的重点方向是什么?

▐什么样的工作适合用AI代替?

我们比较容易想到,规则、重复、繁琐的工作,以及哪些无需负责情感和人际互动的工作适合让AI来做,而那些高度不确定性决策(如危机处理、政策制定)、高度创造性和原创性(比如战略策划、艺术等)不太合适。但是,仔细看这个总结,似乎适用的场景和传统的自动化软件差不多,这说明这里还没有区分出来AI与其的差异。

观点:偏实施和执行的(非战略决策的)、和系统打交道的(非人际互动的)工作,未来都是可能被AI代替的,即便该工作执行过程复杂而非简单的规则和重复——这里强调“执行复杂”是区别于传统自动化的地方,现代AI在感知、推理、泛化、执行方面等具备优势,也是AI可发挥空间最大的地方(收益上限高)。即,AI加持下,我们需要从传统自动化的过程驱动,转变为由AI的目标驱动思路上来。

那么,我们会发现,Coding工作整体来说是在实施和执行业务的决策(并遵循公司整体的技术发展战略和整体架构规范)。“帮我升级jdk11”和“实现百补超链定品功能”这两类需求截然不同,前者在第四象限,而后者属于企业级生产研发,它位于第一象限,收益上限可能高,但如前面所述,似乎还没有发生研发效率质变,它还有重要的“目标传达”问题需要解决。

▐2.信息传递视角看AI任务

  1. 在“人 -> AI -> 系统”这条链路上,两个核心…
— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/zhishiguanli/2026030202639.html