企业级 AI Coding 进入深水区：从代码生成到组织重构

AI 代码生成率冲到50%以上，研发周期却没变短；非研发人员开始用 Vibe Coding 写软件，但信任感在下降。AI Coding 都这么强了，在企业级开发中的应用到底卡在哪？ 近日，InfoQ《极客有约》X AICon直播栏目特别邀请贰贰壹咨询合伙人&蜂量科技 CEO 张子天担任主持人，和小红书 AI Coding 总架构师郑鑫祺、快手 AI Coding 负责人李京一起，在 AICon 全球人工智能开发与应用大会 "2026上海站 即将召开之际，共同探讨AI Coding 在企业落地中的真实难题。 部分精彩观点如下： 会用 AI 工具不等于个人提效，个人提效也不等于组织提效。工具始终是手段，真正能达到整体吞吐量提升、人均效率提升、代码产量提升的，协作才是终点。协作系统不只是多个 Agent 并行，还包含人和 AI 之间协作关系的重构。现在有一种说法：Code is Cheap。以前是“Talk is Cheap, Show Me the Code”，但现在 Talk 也没那么 Cheap 了，你的想法表达、输入可能更重要。组织形态肯定会变化，而且已经在发生，更闭环、更具创造力的组织，迭代空间更大。当 Token 费用单价足够便宜时，ToC 应用反而会更爆发出来。 在 6月 26-27 日将于上海举办的 AICon 全球人工智能开发与应用大会 "2026上海站 上，我们特别设置了【Agent 企业级研发体系的重构 "】专题。该专题将系统探讨如何将 AI 深度嵌入需求、架构、开发、测试与运维全流程，打造人机协同的新型研发范式。 查看大会日程解锁更多精彩内容：https://aicon.infoq.cn/2026/shanghai/schedule 以下内容基于直播速记整理，经InfoQ删减。 完整直播回放可查看： 行业现状与认知冲突 张子天：过去一年，AI Coding 的热度已经从"尝鲜"进入"大规模落地"阶段。但现在很多企业都遇到了一个共同问题：AI 代码生成率越来越高，但需求交付效率并没有同步暴涨。企业 AI Coding 今天真正卡住的核心问题是什么？ 李京：快手从 Copilot 时代开始做智能化提效探索，经历续写、Agentic 多文件生成、到 SDD 推进复杂任务。续写时代 AI 代码贡献率个位数，Agentic 时代跃升到百分之二三十，今年已到百分之五六十。但遇到了问题：工程师体感提效40%，研发周期却没怎么变化，个人承接需求数和组织吞吐都没有很大提升。我们洞察到：会用 AI 工具不等于个人提效，个人提效也不等于组织提效。问题有三方面：组织层面，还是传统产研团队模式；协同层面，上下文在传递中不断流失；知识层面，业务知识、领域知识、研发知识没有很好地沉淀打通。 郑鑫祺：AI 生成能力基本没问题，核心问题在验证和前期对齐上。它把生产力拉上去了，但交互链条各环节没跟上。第二个问题是组织协同，AI 让个人变快了，但整体组织效率是否还适合原来的传递链条要打问号。第三个点，企业大型分布式系统过去过度微服务化和中台设计，在 AI 环境中导致研发环境分散，需要工程治理和模型能力互相衔接来解决。 李京：我们经历了几个阶段：AI First 阶段是人去应用 AI，传统工具结合 AI；现在叫 AI Native，让整个东西是 AI 原生的——从为人设计工具，到结合 AI，再到部分工具专门为 AI 设计。 郑鑫祺：背后还有人和 AI 的地位设计哲学。AI 工具发展特别快，有的是助理型，有的在提独立个体。到底人扮演什么角色？在电商等复杂领域，人的决策判断依然关键；但也有很多确定的 PMO 流程，AI 可以承担更多。这些会导致协作关系变化，对上层工具设计提出不同要求。 张子天：AI 来了，大家总觉得是"金锄头"——皇帝种地也用金锄头，或把驴换成 AI 机械驴，显然不是最佳实践。过去大规模研发中形成的岗位分工和协作方式，在 AI Coding 时代可能已不适合。不只是研发层面的前后端合并，产品层面、需求业务方都需要重新整合，找到职能分工的新边界。但组织变革牵一发而动全身，大中企业比较谨慎，只能循序渐进。 张子天：今年大家明显能感受到，AI Coding 正在从 Copilot → Agent → Multi-Agent → Agent Team 快速演进。同时，越来越多企业开始做面向非研发的 Vibe Coding 和 NoCode Agent。你们怎么看这波变化？未来企业真正需要的，是"更强的 AI 编程工具"，还是"一个新的 AI 协作系统"？ 郑鑫祺：从 Copilot 到 Agent Team，一直在往前走的是工具。但工具始终是手段，真正能达到整体吞吐量提升、人均效率提升、代码产量提升的，协作才是终点。协作系统不只是多个 Agent 并行，还包含人和 AI 之间协作关系的重构。在我们 Vibe Coding 产品中，深度研究从需求到上线每个节点中人和 AI 的关系，哪些 AI 可以去决策和协作，哪些必须人来做关键判断。社区通用方案偏向单兵视角提效，在整个协作过程中是缺位的。推进也不能太激进，单兵阶段先达到一定指标，过程中用 Claude 加各种 Harness 体系丰富知识库和上下文采集，再慢慢往终点推进。 李京：过年前后 OpenClaw 发布带来了开源形态和新使用模式，让更多人认知到 Agent AI 能干什么，之后大量非研发人员开始使用。关于 Agent 协作系统，我们做了几方面：一是生态建设，CLI 加 Skill 让非研发人员在内部生态里实现角色提效；二是知识打通，团队层面的互联互通；三是任务编排，业界有 Web 看板或以角色划分组建 Agent Team 等方式，还没有特别成熟的方案。 郑鑫祺：我想问李京老师一个问题。在知识整理这块，一个大的域有非常多的跨系统知识，一个需求涉及多个系统。怎么样在过程中让大家沉淀需求、沉淀知识、沉淀哪些知识？ 李京：我们走了几个阶段。第一阶段做研发域和业务域知识构建，类似 Project Wiki，跟业务侧联动做业务属性标注，也面向 AI 做业务角度的组织，把工具使用等信息做成知识放进去。第二阶段做流转平台，从需求分析、灌入任务，到 PRD、单测、代码产生，整个链条串联。第三阶段是"自进化"——知识需要迭代起来不是死的，随着大家重点迭代方向和 Skill 使用情况，去迭代 AgentOS 里的知识和记忆体系。 郑鑫祺：现在每个人在单仓里已沉淀了很多 Knowledge，不管是 Code Graph 还是 PRD、各种总结。缺的是怎么提升 SDD 模式中 Spec 的质量和降低对话成本。花两小时对齐 Spec 再加一小时 CR，和熟练工程师上手差不多。Spec 质量上，更关键的是记忆的迭代和关键记忆的抽象。早期推动容易没指标牵引，大家都在整资料，指标最终最关键。 李京：在有限上下文下，不可能把所有知识全灌进去。除了上下文迭代策略，我们也在效果层面做把控，每个环节针对性沉淀评测和用例，保证 Agent 按效果优先的方式不断提升。 张子天：刚才二位老师讲的内容都是企业已经在实践的，这些内容都建立在一个非常强大的已有 Knowledge 基础之上。对于一