找回密码
立即注册
搜索
发回帖 发新帖

6964

积分

0

好友

843

主题
发表于 昨天 01:20 | 查看: 8| 回复: 0

2022 年以来,大模型在软件工程领域展现出生产力提升潜力,Coding Agent 也从代码补全工具逐步演进为能够参与生产级系统开发的工具。

本文整理自宋文龙(闻可)在 AICon 2026 深圳站的分享。结合团队使用 Coding Agent 开发 Coding Agent 的实践,以及企业客户的落地经验,文章讨论了 Coding Agent 从个人工具走向团队级生产系统需要解决的问题,并介绍 SPEC、团队级 Harness、Agent team 和组织转型的实践。

AI Coding 的发展:从辅助编程到自主编程

我们的团队一直在用 Qoder 开发 Qoder。这种工作方式让我们有机会观察 Coding Agent 在企业生产场景中的不同用法,也看到了团队在开发生产级软件系统时遇到的困难和有效方案。

从 Coding Agent 的发展趋势来看,大模型在编程领域的应用大致经历了三个阶段。

第一阶段是辅助编程。 2022 年至 2024 年前后,工具主要提供代码补全,帮助程序员编写一行代码、补充 API 或生成部分测试。核心生产工作仍由人完成,企业的核心资产是代码本身。

第二阶段是协同编程。 2024 年至 2025 年,Coding 模型快速演进,工具不再局限于补全,而是开始扮演结对编程伙伴。提示词、rules 和研发规范逐渐成为重要资产,Agent 的输入与产出都需要受到重视。人的能力边界随之拓展,开发也开始从任务执行转向任务驱动。

第三阶段是自主编程。 在 2026 年前后,行业开始探索让 Agent 在人可控的范围内自主完成生产级实现。生成代码不再是唯一稀缺的能力,SPEC、研发规范以及面向 Coding 的知识库正成为更重要的企业资产。人的工作也逐渐向业务侧延伸,研发范式需要同时面向人和 Agent 设计。

AI Coding 从辅助编程、协同编程到自主编程的演进

与此同时,LLM 工程化思路也在演进。早期的 prompt engineering 关注如何给模型编写好的提示词;随后,团队开始把上下文、输入和输出一起纳入设计。2026 年前后,LangChain 的 Viv Trivedy 提出 Agent 等于 LLM 加上 Harness 的观点:模型需要配合驾驭工程,才能更稳定地产生预期输出。后来出现的 loop、graph 等概念,也都在探索如何让模型和 Agent 在工程体系中更可控、更高效地产出。

这些变化在企业实践中表现得很具体:个人快了,团队未必更快;代码生成快了,端到端交付未必同步提速。 程序员可能更快地产出大量代码,但协作、测试、发布和质量保障仍然需要时间。

使用 Coding Agent 时,团队也容易走向两个极端。一种是过度信任,把 vibe coding 当作许愿式编程,期待输入两句话就得到生产级结果;另一种是极度不信任,不愿让 Agent 自主工作,甚至希望把批量接受代码改成逐行接受。前者忽略了知识体系和 Harness 的必要性,后者则可能让工具难以发挥价值。

从需求、设计、编码、验证到发布,编码只是软件工程的一部分。按照团队的实践经验,编码工作量和时间往往低于全流程的 30%。假设编码恰好占 30%,将编码效率改善折算为编码时间减少 50%,整体时间也只减少约 15%;即使消除全部编码时间,理论上也只能减少约 30%。因此,剩余环节同样需要回到整个软件工程流程中优化。

编码提速后,研发瓶颈向上下文、验证和发布环节迁移

AI Native 研发流程:成熟度模型与流程重塑

软件工程发展过程中,流程和规范始终是大规模协作的基础。瀑布模型强调规划、设计、编码、测试和交付等阶段;之后,极限编程、轻量方法和敏捷开发缩短反馈周期,让团队更快响应变化。

到了 AI Coding 时代,文档和规范的作用再次受到重视。人不再亲自编写每一行代码时,Agent 接收的需求、约束和上下文就成为影响产出的关键输入。给 Coding 工具的不能只是简单命令,还需要生成约束、接口契约和流程规范。模型泛化能力虽强,但要让输出稳定、可靠地用于生产系统,仍需要大量工程化工作。

从瀑布、敏捷到 AI Native SDLC 的软件交付方法演进

企业 AI 研发成熟度四级模型

基于实践观察,我们提出一个四级框架,用于讨论企业使用 AI Coding 工具所处的阶段:

  1. L1:AI 辅助。 以代码补全和建议为主,人承担主要工作,效果较依赖个人熟练度。
  2. L2:Agent 个人助手。 程序员为 Agent 提供上下文并委托任务,个人编码速度提升,但尚未解决团队级生产率问题。
  3. L3:Agent 与团队知识体系。 团队建立软件工程级 Harness,不只关注 Agent 级别的 skill、MCP 和上下文管理,还要形成共享的规范与知识契约,让产品、测试、开发和 Agent 基于同一套知识协作。
  4. L4:AI Native 流程。 这是更理想化的阶段,组织重新设计研发流程和生产系统,使其同时面向人和 AI。

企业 AI 研发成熟度 L1 至 L4 模型

这里需要区分人处于 loop 之内,还是处于 loop 之上。如果原有流程不变,只是把 Coding Agent 嵌入其中,再由人把生成结果逐项送入后续流程,整体效率的改善可能有限。

另一种思路是让 Agent 和团队成员在工作 loop 中执行,由人站在 loop 之上把握目标、关键取舍和质量。这样,优化范围就不再局限于编码环节,而是延伸到整个研发流程。

流程重塑并不意味着放弃人工把关。传统链路中的细小环节可以适当压缩,让工具在规范和质量门禁约束下自主工作;但需求合理性、代码合并和发布等关键节点,仍需由人验收。

传统串行研发流程与 AI Native 并行研发流程对比

AI Native 方案:SPEC、Harness 与 AgentTeam

落地时,我们主要沿着四个方向推进:SPEC、团队级 Harness、Agent team,以及与之配套的组织文化和组织转型。

SPEC 先行:让生成有边界、验收有依据

刚开始使用 Coding 工具时,很多人会用 vibe coding:写下几句话,期待工具直接交付结果。这种方式适合部分 demo,但用于生产系统时风险很高。

后来,团队开始编写 plan。不过,plan 往往局限于与工具的一次交互,未必能沉淀为持久化、结构化、可验收的资产。因此,我们更强调 SPEC 先行,并像管理代码一样管理 SPEC。

用 Qoder 进行会话时,工具会要求用户澄清部分问题,再生成结构化 SPEC。有些客户也会结合 OpenSPEC,要求各阶段产出文档。无论最终采用一个大文档还是分阶段文档,重点都是覆盖需求澄清、实现方式和验收方法,同时明确允许与禁止的行为,减少模型泛化带来的偏差。

Spec Driven Development 的需求、计划、实现与验证四阶段

一份可用于团队协作的 SPEC 至少需要形成三重闭环:

  1. 需求澄清完整。 不能只写标题或一句愿景,还要说明目标、边界和业务约束。
  2. 实现路径清晰。 说明方案和技术方向,但避免把 SPEC 写成伪代码,否则会限制 Agent 的自主性。
  3. 验收规则精确。 明确测试覆盖、错误处理、边界条件和禁止事项。

SPEC 被 Agent 消费后,可能影响数百、数千乃至数万行代码。规范中的错误也会随之放大,因此优秀团队对 SPEC 的管理往往非常严格。

团队 Harness:知识、能力与质量门禁

团队级 Harness 不只是 skill、MCP 和上下文管理,还包括整个团队的知识体系,以及对能力和质量的治理。许多用好 Coding 工具的团队,都投入了大量精力建设知识的生成、维护和治理机制。

Skill 很容易生成,但团队需要判断哪些能力可靠,哪些值得从个人级沉淀到团队级。代码生成、测试生成、迁移和重构等任务,都需要相应的能力约束,否则 Agent 可能遗漏必要工作,也可能产生过度工程化的结果。

测试与验证的重要性也在上升。有些团队可能减少专门测试人员,但并不意味着测试工作减少:输入知识不同,产出质量会不同;验收点不同,结果也可能有明显差异。测试需要融入更多研发环节。我们团队中甚至有工程师专职编写测试用例,以强化验收能力。

AgentTeam:从个人助手走向协作网络

个人使用 Coding Agent,主要解决的是个人效率问题。进一步实践时,一个人可以调度多个具备不同职责的 Agent。

Qoder 的专家团模式中,产品、开发、测试等角色拥有各自的配置和倾向。用户提出任务后,leader Agent 负责拆解工作,判断何时调度不同角色,将部分原本由人承担的协调工作交给 Agent team。

在团队实践中,一些工程师使用 Mac mini 运行自己的 Agent 工具,人与这些 Agent 共同形成协作网络。人机协同不再只是一个人向一个 Agent 发指令,也可以是多个 Agent 与人共同完成工作。

Human on the Loop 模式下的人、Leader Agent 与专家团协作

这种变化也对组织提出新要求。客户关注的问题不仅是工具选型,还有职责调整和 AI Native 组织转型。虽然不存在统一范式,但实践中可以看到几个共同方向:

  • 缩短决策链路。 Agent 的执行速度提高后,缓慢决策可能成为新的等待点。
  • 提升人才密度。 人的能力得到工具放大后,团队可能以更小规模承担更多工作,但对成员能力的要求也会提高。
  • 降低协调开销。 随着人和 Agent 的协作增强,团队仍需控制人与人之间的沟通成本。
  • 保留关键判断。 当前 AI 仍不能替代人对业务、风险和关键取舍的洞察与决策。

Qoder AI Coding 实践与标准化流程

Qoder 团队在解决自身研发问题的同时,也将部分经验沉淀为产品能力。按照团队介绍,产品家族基于统一的大模型、Agent 引擎与 Harness 能力,IDE、数字员工和云端 Agent 等形态构建在 CLI 能力之上,客户也可以使用底层 CLI 进行二次开发。

在相关能力中,QMind 承担企业级知识管理;Qoder 提供强 SPEC 模式,要求先形成持久化 SPEC 再继续执行;工具还提供 loop、数字员工、Cloud Agents 和 CLI SDK,供客户将能力嵌入自己的系统。

Qoder 产品形态与知识、SPEC、Harness 和 Loop 能力映射

以强 SPEC 模式为例,用户需要完成需求澄清、生成并审核 SPEC,之后才能进入实现和提交。有些程序员白天编写 SPEC,晚上交由模型执行,第二天再检查产物。这既要求 SPEC 足够清晰,也要求工具具备长程执行能力;如果任务中途停止,只留下不完整代码和难以判断的结果,流程就难以持续。

目标驱动对应 loop engineering:用户给出明确目标,由 Agent 持续执行并检查是否达标。提高测试覆盖率、代码迁移和性能调优等任务,都可以尝试采用这种方式。团队还将知识库建设比作“编译知识”:对知识进行整理、生成和维护,再提供给 Agent 用于检索和生成。

使用各类 Agent 工具时,常见问题包括上下文不足、缺少规则、不审查阶段产出,以及知识只停留在会话中,无法复用。针对这些问题,团队需要维护项目 rules 和 Agent 文档,推动 SPEC 先行,管理 skill,并支持多个 Agent 协同。

让另一个 Agent 参与审查也有价值:同一个 Agent 可能沿用相似的上下文和偏差,难以发现自己产出的全部问题。人仍需审查,但重点应放在核心路径、硬性约束和曾经出现过的问题上。AI 可能生成大量过度工程化的代码,关键是把判断前置,并将验收要求纳入流程。

一个生产级标准化流程可以分为五步:

  1. Requirements:明确需求。 整理 SPEC、Issue 和项目上下文,利用 RepoWiki、AGENTS.md 等承载相关知识。
  2. Plan:制定计划。 让 AI 先提出计划,通过多轮讨论对齐思路。
  3. Implement:逐步实现。 结合代码补全、MCP、skill 和子 Agent 等能力执行任务。
  4. Verify:持续验证。 通过 Diff Review、Lint、单元测试和多阶段 CI 等方式检查结果。
  5. Capture:沉淀经验。 将有效经验更新到 skill、记忆、AGENTS.md 或 Wiki,供后续任务复用。

AI Coding 生产级工作流:需求、计划、实现、验证与经验沉淀

实践案例:高德知识工程与 Qoder Harness

高德:将领域知识工程化

高德团队使用 QMind 知识库,但并非简单扫描代码后就结束工作,而是投入了大量知识工程实践。

他们将知识分为四层:底层是代码等基础事实;向上是工程流程和术语;再往上是业务知识;最后是质量门禁和常见问题。曾经出现的错误,如果没有进入知识和门禁,模型在后续任务中仍可能再次犯错。

团队内部 Coding benchmark 的测试显示,工具在通用领域的单次解决成功率可以达到 90%,但涉及专业领域知识时表现会明显下降。这也是开展领域知识工程的原因。

高德团队还基于代码生成项目级知识文档。实践中发现,模型生成的通用内容可能夹杂套话,因此团队在生成前制定 Coding plan 和 knowledge plan,明确需要生成和补充的内容;发现知识问题后,再进行后置调整。

代码变化时,团队通过 Webhook,基于 SDK 和 CLI 更新知识;更新后,再通知关联团队调整产品手册或测试用例。知识以代码为重要来源,经过工程化处理后向不同角色分发。

高德有二十多个 SDK 仓库,存在嵌套依赖。为了识别改动的跨仓影响,团队通过知识工程实现嵌套召回,让知识层能够感知相关仓库之间的联系。

高德 AutoSDK 领域知识建模、更新和召回实践

Qoder:让 Agent 在 Harness 中交付任务

Qoder 团队既生产 Coding 工具,也用 Coding 工具开发自身产品。需求变化与模型能力迭代交织在一起,因此团队为研发流程建设了 Harness,让 AI Coding 接手部分进入流程的需求。

不同节点由 Mac mini、底层 CLI 和云端 Agent 承担,并通过 graph engineering 的思路调度不同 Agent,形成闭环。按照团队分享,Qoder 用户反馈量很大,团队每天发布版本,其中相当一部分 bug 由 Agent 修复。

这套 Harness 的目标是让任务可调度、结果可验证,并将交付经验沉淀为后续任务的上下文。任务执行过程中,人工仍负责目标确认和关键 Review。

Qoder Harness 的任务接入、调度、验证与业务实践

团队还分享了两个生产场景数据:一次生产机重构涉及约 400 万行存量代码,团队基于自身工具和流程编写了约 40 万行代码;另一个实践是由 5 人在 7 天内,基于 Qoder CLI 开发桌面办公系统 QoderWork。

Agent 能力增强后,人的重要性并没有消失,而是更多体现在目标定义、输入质量、业务判断和最终验收上。软件工程的复杂性很大程度来自真实世界;Coding 工具可以帮助团队减少部分实现工作,把更多精力用于理解和处理这些复杂问题。

AI Native 研发流程升级的趋势、方案与案例总结

来源

作者:宋文龙(闻可)
编辑:宇琪
审核:罗燕珊
策划:AICon 全球人工智能开发与应用大会
本文整理自 AICon 2026 深圳站分享《企业 AI Native 研发流程升级与重塑》,演讲实录由 InfoQ 编辑整理。




上一篇:AI 算力与黄仁勋:Sam Altman 谈芯片供应和行业未来
下一篇:AI编程让代码更廉价,程序员的绩效该怎么衡量?
您需要登录后才可以回帖 登录 | 立即注册

关闭

站长推荐上一条 /1 下一条

手机版|小黑屋|网站地图|云栈社区 ( 苏ICP备2022046150号-2 )

GMT+8, 2026-11-20 04:51 , Processed in 0.068971 second(s), 43 queries , Gzip On.

Powered by Discuz! X3.5

© 2025-2026 云栈社区.

快速回复 返回顶部 返回列表