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:
- 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?
- 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?
- 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
- 从“人 -> 系统”,变成“人 -> AI -> 系统”,整个信息传递增加了额外节点,必然导致信息失真的概率变高,这是符合第一性原理的。
- 现阶段,我们大多数的核心关注点都在C动作(AI任务执行)上,也就是技术层面如何解决AI的任务执行问题,包括基模能力的不断提升,Agent感知、规划、记忆、工具等能力升级等。以AI Coding为例,大多重心都投入在Code Agent(含IDE)的建设上,相关的讨论和文章也非常多。但是对于A动作(任务目标输入)关注较少,或者说缺少体系化和方法论。
- 我认为,对于复杂任务,如何“把任务目标准确传递给Agent”是整个系统挑战最大的部分,而不是任务执行。这也是为什么我们总说Prompt和上下文工程非常重要。如果任务很复杂,且有大量的背景信息、领域知识、规范要求等细节需要从人类一侧传递给AI,那么我们整个系统的能力上限就会取决于人类的表达输出能力的上限——这很不稳定,也很不高效。
- 也就是说,我们真正的挑战在于:如何消除人类意图到AI理解的鸿沟。套用信息论里面的信息量和信息熵的概念:单一事件概率越小,信息量越大;系统所有事件发生越不确定,信息熵越大。向AI传达一个任务目标,需要输入的信息量越大,则该任务成功的概率越小,而对系统整体而言,信息熵(平均信息量)越大。我们需要把人类大脑中和任务相关的知识(专家知识),尽可能提前结构化、外化、沉淀成知识库(图中动作D),这样可以降低任务目标输入环节的信息熵,可以理解成这是一个系统性“降熵”的工作。
- 我们常常用自动驾驶来类比我们工作中的AI化建设,从这个角度看,我们很多工作的AI化实际上比自动驾驶的挑战大得多。自动驾驶人类给AI输入任务目标的信息量极少(终点坐标即可),信息熵几乎为0。
-
回应前文的内容,要用AI解决复杂问题,才能有别于传统自动化,使效率提升发生质变;而要解决复杂问题,就需要解决人类准确向AI传达任务目标的问题;要解决目标任务传达问题,就需要通过专家知识的体系化沉淀,对整体AI任务系统实现“降熵”。
-
核心观点:
- 在“人 -> AI -> 系统”这条链路上,两个核心…