从 Coding 到 Anything，Agent 正在重写工作流

AI Coding 的演进，已经走到一个新的临界点。 从最初的代码补全、函数生成，到围绕一个需求完成多文件修改、调试和测试，AI 在开发流程中的位置正在不断前移。今天的 Coding Agent，已经不再只是回答问题或生成片段，而是开始承担更完整的任务链路：理解需求、调研方案、生成代码、运行验证、修复问题，甚至完成代码评审。 更重要的是，这套在代码场景中被验证过的 Agent 工程能力，正在自然延展到更广阔的工作流程之中。文档生成、数据分析、企业运营、流程自动化、桌面办公、行业经营决策，正在成为 Agent 能力外溢的新场景。 在 2026 AICon 上海站「AI 时代的工作流重构：从 Coding 到 Anything」专题现场，来自阿里巴巴 Qoder 与慧博科技的四位实践者，从自主编程、多 Agent 协作、桌面 Agent、零售全域 Agent 和托管运行时等不同角度，呈现了 AI 时代工作流重构的一条完整路径：从 Coding 出发，走向更广阔的 Anything。 Coding Agent 的关键变化，不只是会写代码 在第一场分享中，阿里巴巴高级技术专家左志鹏，以《从辅助编程到自主交付：Qoder Desktop 的多 Agent 协作与 Harness 实践》为题，拆解了 AI Coding 从辅助编程走向自主交付的变化。 早期的 AI Coding 更像是开发者的“副驾驶”。人知道自己要写什么，AI 负责补齐一部分代码。到了协同编程阶段，开发者可以把需求和上下文交给 AI，让它生成更完整的功能代码，但调试、测试、验证、Review 依然需要人持续介入。 而现在，变化正在发生：AI 开始进入更长的任务链路。一个任务交给 Agent 后，它可以先做方案调研，生成 SPEC，再完成编码、编译、启动、测试和验证，最后还会审视自己的代码质量。人的角色不再是时刻盯着 AI 改每一行代码，而是定义目标、判断关键方案，并对最终结果进行确认。 这背后指向一个核心判断：AI Coding 的瓶颈，已经不只是模型能不能生成更好的代码，而是能不能形成一套稳定、可控、可交付的任务系统。 Qoder Desktop 的 Experts Mode 正是围绕这个问题展开。它不是让一个 Agent 在同一个上下文里完成所有事情，而是引入“专家团”模式：Leader Agent 负责全局编排，调研专家、前端编码专家、后端编码专家、测试专家、代码评审专家等不同角色分工协作。一个复杂需求进入后，系统会先调研仓库和运行环境，再按依赖关系派发编码任务，随后调用测试和评审能力，形成端到端闭环。 这里的重点不只是“多 Agent”，而是 Harness。只有让 Agent 在可观测、可验证、可回滚、可约束的环境里工作，企业才可能把它从“能用的小工具”变成“可委派的生产力单元”。因此，Qoder 在工程知识引擎、RepoWiki、知识卡片、自动验证、安全沙箱、危险命令拦截等方面做了大量工程化设计，让 Agent 不只是跑起来，还要跑得稳、交付得出、出了问题能被定位。 从这个角度看，AI Coding 的真正变化，在于研发流程开始被重新组织。人从执行者转向任务编排者，Agent 承担越来越多执行、验证与修复工作，Harness 则成为控制质量、沉淀经验和保障安全的基础设施。 桌面 Agent 让 AI 进入真实工作的缝隙 如果说 Coding Agent 先在软件研发场景中验证了“端到端任务交付”的可能性，那么第二场分享讨论的则是：这套能力如何从 IDE 走向每个人的电脑桌面。 阿里巴巴高级技术专家赵明在《重塑本地生产力：QoderWork 桌面 Agent 的设计密码与效能突破》中提出，今天知识工作者面临的低效，并不是因为工具不够多，而是因为工具太多、协同太少、执行太碎。 一个典型知识工作者每天要在文档、表格、浏览器、IM、设计工具、内部系统等大量应用之间反复切换。每多一个工具，就多一道裂缝：数据在不同工具之间割裂，流程在应用边界处断开，人的注意力被不断切碎。AI Chatbot 可以给出建议，但真正落地时，仍然需要人复制、粘贴、整理、上传、提交，继续充当“数据搬运工”和“流程粘合剂”。 QoderWork 的定位，就是让 Agent 从聊天框走向桌面，成为一个真正能动手干活的 AI 助手。它不是只回答“应该怎么做”，而是能够操作文件、处理数据、生成文档、调用浏览器、执行本地任务，把自然语言转化为真实动作。 在能力设计上，QoderWork 覆盖了文件批量处理、Excel/CSV 数据分析、文档和 PPT 生成、网页填表、信息抓取、跨页面流程串联等常见桌面任务。比如，从浏览器抓取信息，整理成表格，再生成报告；或者根据需求文档、产品规格和报价规则，自动生成售前报价材料。这些任务过去往往分散在多个工具和多人协作之间，如今可以被组织成一条连续的 Agent 工作流。 桌面 Agent 的难点也更复杂。代码场景至少有仓库、版本管理和工程规范，但普通办公场景面对的是用户本地文件、企业文档和各种敏感数据。因此，QoderWork 在产品设计中强调本地安全执行、文件夹级授权、沙箱隔离、渐进式授权和 Human-in-the-loop 机制，让 Agent 能够动手，但不能越界。 另一个关键能力是“会进化”。一次任务完成后，Agent 不能用完即抛，而应该把过程中形成的偏好、规则、流程和经验沉淀下来，转化为记忆、Skills 或工作流模板。这样，下一次再处理类似任务时，用户不需要重新解释一切，Agent 也能更接近个人和组织的工作习惯。 这意味着，桌面 Agent 的真正价值，正在落到真实工作的缝隙里。反复切换、重复操作、跨工具同步，以及那些低价值但必须完成的任务，正在成为 Agent 接管的第一批工作流。 行业 Agent 的前提，是先读懂业务和数据 从研发流程到桌面办公之后，第三个问题自然出现：Agent 如何进入行业真实业务？尤其是零售这样数据量大、链路长、场景复杂的行业，AI 能否走出单点工具，真正参与经营决策？ 慧博科技 CTO 贾世龙在《突破单点 AI 瓶颈：慧博零售全域 Agent 的数智化实践》中，给出了一个来自零售行业的一线样本。 零售企业面对的第一道难题，是数据分散。品牌的消费者数据分布在淘宝、京东、抖音、小红书、拼多多、线下门店、私域商城、企微、即时零售平台等多个渠道之中。每个平台都有自己的数据结构和业务口径，如果没有统一身份识别和数据治理，企业很难形成完整的消费者资产画像。 第二道难题，是海量数据下的 AI 处理瓶颈。头部品牌可能拥有上亿消费者记录、千万级订单和大量私域会话。如果直接把原始数据丢给大模型，不仅会遇到上下文长度和 Token 成本限制，也会因为数据噪音过高、业务口径不一致而放大幻觉问题。 慧博给出的路径是“先数字化，再数智化”，先依托零售中台和 CDP 打通 One-ID，做好底层数据治理，再让 Agent 在统一的数据和业务语义之上完成分析、诊断和策略执行。 早期的 SaaS+AI 单点赋能可以解决一些固定问题，比如单表分析、固定报表、简单 Workflow 编排，但当业务问题变得模糊时，旧方式