序
过去,代码托管平台解决的是一个问题:如何管理代码。
分支、提交、评审、合并、发布,围绕代码的Git协作体系由此建立,软件研发也因此变得更加规范、高效和可追溯。
但未来,开发者真正面对的问题正在发生变化:
如何理解代码?
如何利用代码?
如何让 AI 真正读懂代码、使用代码,并参与到研发过程之中?
随着大模型能力持续提升,软件研发正在进入新的阶段。代码仓库不应只是版本管理的终点,而应成为 AI 理解业务、理解架构、理解系统的入口。
与此同时,集团内部已经涌现出大量研发效能相关的 AI 助手、研发智能体和自动化工具。但一个现实问题始终存在:想做一个真正对研发有价值的AI 应用,并不容易。
开发者需要处理代码拉取、AST 解析、语义向量化、依赖关系分析、知识库构建、安全隔离、执行环境管理等大量底层能力。这些工作复杂、重复、成本高,却并不直接创造业务价值。
真正创造价值的,从来不是重复建设基础设施,而是在统一能力之上持续创新。
因此,Coding 下一阶段的核心目标,是构建基于 Coding-AI 基建的研发生态,成为集团研发AI 能力的统一底座。
让每一个开发者都能像调用 API 一样使用代码知识。 让每一个Agent 都能像理解自然语言一样理解代码世界。 让每一个AI 应用都能像接入云服务一样拥有独立的安全沙箱。
1. Coding 的下一阶段:从平台到生态
过去,Coding 提供的是平台能力;未来,Coding 要提供的是研发 AI 生态。
因此,Coding 不只是继续增强代码托管、协作和研发流程能力,而是要将多年沉淀的代码数据、工程分析能力和研发知识资产,封装为标准化、可复用、可编排的 AI 服务。
这些服务既面向人,也面向 Agent;既支撑单点工具,也支撑自动化工作流;既服务单个研发场景,也支撑集团研发体系的智能化升级。
因此,Coding 2026 的核心战略是:
将代码知识产品化。
将研发能力服务化。
将 AI 能力生态化。
最终,Coding 将和各位开发者共同建设围绕代码库开放 AI 生态体系,一起提升集团研发效能。
2. 三层建设
- AI基建-让 AI 真正理解代码:这一层负责沉淀代码知识、工程关系和研发数据能力,通过开放接口、MCP、图数据库、代码检索、仓库 Wiki、代码分析等能力,让代码从“可存储”变成“可理解、可查询、可推理”的知识资产。
- 让Remote Agent跑起来-代码Agent研发框架和沙箱运行时:这一层面向研发 AI 应用开发者,提供知识库、工具调用、LLM 管理、提示词管理、会话管理、Agent 运行环境和安全沙箱等能力,让开发者无需关注底层Agent运行,即可快速构建Agent应用。
- 前端扩展点-让AI应用无缝集成:这一层面向最终使用场景,将用户的生态应用自然嵌入Coding 的各个前端页面中。通过标准化前端扩展机制,AI 应用不再只是独立入口,而可以直接出现在开发者工作的上下文里,在最需要的地方提供理解、分析、建议和执行能力。
2.1. 让 AI 真正理解代码-AI基建
2.1.1. 开放接口与MCP:统一能力入口
自建设以来,Coding 始终坚持开放共赢的产品理念,持续面向企业内部研发系统开放代码托管、仓库管理、研发流程、工程数据等核心能力。随着 AI 应用和 Agent 场景不断增长,Coding 在传统开放 API 的基础上进一步提供核心 MCP 接口,让 AI 工具能够以更标准、更自然的方式接入 Coding 能力。
2.1.2. 图数据库:构建代码世界的关系网络
👉 图数据库用于承载代码世界中复杂的实体关系,是 AI 理解代码结构的重要基础。
代码知识的价值,不只在于某一段代码写了什么,更在于它和其他代码之间发生了什么关系。类、函数、变量、模块、接口等代码元素可以被抽象为节点;调用、继承、依赖、引用、包含、参数传递等关系,则构成节点之间的边。
相比传统关系型数据库,图数据库更适合表达代码中的多层关系和复杂路径。它能够让系统以接近代码真实结构的方式存储和查询代码知识,从而支撑调用链追踪、依赖分析、影响范围评估和仓库级代码理解。
基于代码图谱,开发者和 AI Agent 可以快速定位某个代码元素,分析它的上游调用、下游依赖、继承关系和使用范围,让代码知识从“可存储”进一步走向“可理解、可查询、可推理”。
应用场景中:
- 在调用链分析场景中,开发者可以快速查看某个函数被谁调用、又调用了哪些函数,帮助定位问题来源和影响路径。
- 在代码变更影响评估场景中,Agent 可以基于代码关系图判断一次修改可能影响哪些模块、接口或业务流程,为代码评审和发布决策提供依据。
- 在架构理解或代码重构场景中,Agent可以通过图谱快速理解模块之间的依赖关系,减少阅读大型仓库时的认知成本,或基于依赖关系识别高耦合模块、核心节点和潜在风险点,为重构建议提供结构化依据。
2.1.3. 代码检索:让 AI 精准定位关键代码
👉 代码检索是 AI 理解代码和执行研发任务的基础能力。
面对大型代码仓库,AI 不能只“读取代码”,更要能够快速找到与问题、需求或业务意图最相关的代码位置。Coding 提供 CodeSearch 关键词检索和代码语义向量检索两类能力,分别解决“已知关键词怎么找”和“不知道关键词但知道意图怎么找”的问题。
CodeSearch关键词检索适用于明确知道类名、方法名、变量名、接口名或关键语法的场景,支持精确词检索、正则检索,并可按语言、文件类型等维度过滤,帮助开发者和 AI Agent快速定位目标代码及上下文。
代码语义向量检索则基于 Embedding 技术,将自然语言问题和代码片段转化为向量表示,通过语义相似度找到相关实现。开发者可以直接提问“用户登录校验逻辑在哪里”“订单状态是如何流转的”,系统即可返回最可能相关的代码片段。
关键词检索解决精准定位,语义检索解决意图理解。二者结合,让 AI 能够更接近人类开发者的方式理解代码仓库。
应用场景中:
- 在代码问答场景中,Agent 可以先通过检索找到相关代码,再基于真实上下文回答问题,减少凭空推测。
- 在需求分析场景中,开发者可以用自然语言描述业务功能,快速找到已有实现、相关接口和潜在改动位置。
- 在问题排查场景中,系统可以根据报错信息、日志关键词或问题描述定位相关代码,辅助开发者缩短排查路径。
2.1.4. 仓库Wiki:把代码变成团队知识
👉 仓库 Wiki 是基于代码库源码及相关数据自动生成的结构化知识文档,并沉淀为团队知识资产。
在 Coding-AI 基建中,CodeWiki 可以理解为面向代码资产的知识中台。它通过 AI 能力对仓库目录、代码片段、接口信息、模块关系和架构信息进行整理与加工,帮助开发者和 AI Agent 更快理解项目背景、业务逻辑、技术规范和系统结构。
与传统手写文档不同,仓库 Wiki 更贴近代码本身,可以随代码资产持续演进。它不仅提供面向人的阅读入口,也为 AI Agent 提供可检索、可引用、可关联源码位置的知识上下文。
目前,Wiki 主要提供自然语言查询、Wiki 目录查询、指定页面内容获取及关联代码索引等能力,实现文档知识与源码位置之间的双向连接。
通过 Wiki,Coding 可以将“代码资产”进一步升级为“团队知识资产”,让代码仓库不再只是源码存放地,而是成为团队知识沉淀、系统理解和 AI 辅助研发的重要入口。
应用场景中:
- 在新人上手场景中,开发者可以通过 Wiki 快速了解项目结构、核心模块、业务流程和关键接口。
- 在研发问答场景中,Agent 可以结合 Wiki 内容和关联代码片段回答问题,让回答既有业务背景,也有源码依据。
- 在知识沉淀场景中,团队可以将代码中隐含的架构设计、模块职责和业务规则自动沉淀下来,减少知识只存在于个人经验中的问题。
2.1.5. 代码分析:让 AI 看见工程状态与研发风险
👉 代码分析是对代码仓库进行系统性工程化分析的能力
如果说代码检索和图数据库帮助 AI 理解“代码在哪里、代码之间有什么关系”,那么代码分析进一步帮助 AI 判断“代码状态是否健康、变更是否存在风险、工程是否需要治理”。
在 Coding-AI 基建中,代码分析可以作为 AI 决策的重要输入。通过对代码架构、代码健康度、软件成分、漏洞风险、复杂度和质量问题等进行分析,使Agent 能够在代码评审、重构建议、影响范围评估和研发治理等场景中给出更可靠的判断。
代码分析让代码仓库不再只是静态源码集合,而是变成可评估、可治理、可决策的工程资产。AI 不只是读懂代码内容,也能够理解工程状态、识别潜在风险,并参与研发过程中的质量治理和智能决策。
应用场景中:
- 在代码评审场景中,Agent 可以结合代码分析结果识别高风险变更、复杂逻辑、潜在质量问题,并给出更有依据的评审建议。
- 在重构治理场景中,系统可以发现复杂度过高、依赖混乱、重复代码或长期无人维护的模块,辅助团队制定治理计划。
- 在发布风险评估场景中,AI 可以结合代码变更、依赖关系和质量指标,判断本次发布可能带来的影响范围和风险等级。
2.2. 让Remote Agent跑起来-代码Agent研发框架和沙箱运行时
2.2.1. 基于 Coding 基建的Agent研发框架
👉 面向通用研发 AI 应用,重点提供统一的数据、知识、工具和会话能力。 开发者可以直接复用 Coding 的代码检索、图数据库、CodeWiki、代码分析等基础能力,结合大模型、提示词和工具编排,快速构建研发问答、代码理解、工程分析、知识助手等应用。
它的价值在于,将复杂的底层能力封装成稳定、标准、可复用的服务,让 AI 应用开发从“从零搭建基础设施”转向“基于统一能力持续创新”。
2.2.2. 基于JoyAgent 的快速对接
👉 可复用 JoyAgent 已经成熟的智能体、工作流和企业协同生态
Coding 生态支持直接绑定 JoyAgent 智能体或工作流,并接入京 Me 机器人、Max 智能助理等已有生态能力。
基于 JoyAgent 的 AI 研发框架,复用 JoyAgent 已经成熟的智能体、工作流和企业协同生态。通过 AutoBots 类型插件,Coding 可以直接绑定 AutoBots 智能体或工作流,并接入京 Me 机器人、Max 智能助理等已有生态能力。
Coding 基建中的代码数据、分析数据和知识能力,可以作为 JoyAgent 知识库对外提供服务;Coding 开放的接口与 MCP 能力,也可以直接接入 JoyAgent,用于定义智能体和自动化工作流。
最重要的是:Coding可直接在MR,commit等合适的地方触发您的AutoBots智能体或工作流。
通过这一框架,Coding 与 JoyAgent 实现双向打通:
- Coding 将代码知识和工具能力开放给 AutoBots 生态。
- Coding 深度集成 JoyAgent 代码类智能体,进一步降低研发 AI 应用的开发和落地成本。
2.2.3. 基于CLI Agent的代码Agent开发框架
👉 让开发者只需定义“做什么”,借助代码库全操作能力与安全沙箱,从“能回答”推进到“能执行”
前两种框架能够很好地支撑对话式能力和预设流程式能力。它们适合基于提示词或预设工作流完成研发问答、知识查询、流程编排等任务。
但在更复杂的研发场景中,仅仅“回答问题”还不够。
当用户业务逻辑复杂时,一旦场景进入真实落地阶段,例如下载代码、修改文件、执行命令、安装依赖、运行测试、读取完整代码文件,或者与自有系统联动、将结果渲染到 Coding 页面、推送到京 ME,AI 应用需要的不只是知识能力,还需要真实的代码库操作能力和独立可执行环境。
这时,开发者往往会被环境…