云开全站登录入口 - wwwkaiyuncom

往常两年，AI Coding 的才智赶快进步，很快从小众的极客群体破圈，成了全民狂欢。

但红利东谈主东谈主可得，不等于企业都接得住。

当一家公司念念把这种才智从个体投射到通盘组织，时常会先撞上一个反学问的事实。在本年的火山引擎 Force 大会上，字节跳跃时刻副总裁洪定坤共享了一组来自 TRAE 团队的里面数据：当作一个自己就在作念 AI Coding 器用、又激进地使用的团队，往常半年里，TRAE 极度 90% 的代码是由 AI 写出的。与此同期，团队的东谈主均需求糊涂率普及了 60%。

AI 写代码速率和遵守普及倍率的对比丨来自：Force 2026

这个数字看上去有些反学问：AI 写代码的速率起码是东谈主的十倍以上，当九成代码都由 AI 产出，遵守的普及理当是几倍，好像不该停在六成。

这恰正是今天大多数团队在 AI 落地上遭遇的现实。这也证明，AI Coding 干涉企业，从来不是「我用了 AI」「我用 AI 生成了若干代码」这样简略。先进企业之是以能把数字化走得实足深，靠的从来不是更早地用上某个器用，而是更绝对地把一项新时刻千里淀成组织我方的才智。

在 AI Coding 这件事上，企业到底该若何把时刻进步，确切变成我方的坐褥力？字节用一线实践，给出了一份莫得范例谜底、但实足密致的样本。

一、从字节的实践，看 AI Coding 落地的真实挑战

往常一年，字节的 AI 代码孝顺率与 AI Coding 上的 Token 花消增长了五六倍致使更多，且仍在高速攀升，AI Coding 仍是深度镶嵌平常研发。但字节并莫得把这些数字当成得益——正好相背，正因为用得实足深，他们才比大多数公司更早地看到了其中的问题。

最初是多样「方针」形成的错觉。在推动 AI 落地的过程里，大部分团队很当然会盯住直不雅数字：AI 代码孝顺率、摄取率、生成代码量。可一朝把这些数字和真实产出放在一皆，前边那组「90% 对 1.6 倍」的反差就浮了出来——过度垂青单一的代码孝顺率，反而让团队没找到全局优化的方法。

「我用了若干 AI」、「我用 AI 生成了若干代码」，盯着单一方针蒙眼上前跑，认为是在决骤，实践可能仅仅把「摆臂」这个动作作念得更快。

比「过度盯方针」更阻挠的，是 Vibe Coding 自身的局限性。「Vibe Coding」在往常一两年很火，这种「有念念法就让 AI 生成一版、跑通再说」的轻量开荒面容，刚初始会很没写过代码的东谈主上瘾。但真实全国里的开荒，Coding 仅仅其中一部分，企业要的是永远结实、可珍重、可运营。

Vibe Coding 的问题不是写不出代码，而在于它容易只盯着目下这段代码「对诀别、能不成跑」。但容易忽略两件真实环境里很关节的事：一是「恶臭性编程」，也便是提前替无意情况作念好准备，比如用户填了不该填的内容、传进来的数据是空的，设施能不成处理好这些情况；二是「极度处理」，当系统简直出错时，比如文献读不到、收罗连不上，代码得有预案，能友好指示或安全清偿，而不是马上崩溃。

这些 AI 都容易暗暗省却，因为省却之后Demo照样跑得通，但这和能确切上线还差得远。

TRAE 团队作念了个实验：选三个主流 Coding 模子和三个主流 Agent 框架两两组合，用一个真实的中等复杂度需求、一样的 Prompt 各跑 100 次。只看「功能是否基本正确」，统统组合的正确率都极度 80%；可一朝看 UI 易用性、可靠性、可珍重性、性能、兼容性这些维度，分数就断崖式下落，组合之间还暴露出极强的立时性。

增多 Harness 后，可委派性大幅提高丨来自：Force 2026

Harness 是管制这个问题的钥匙。但一个很常见的误区是：许多东谈主一提 Harness 就把它等同于其中的 Agent 框架，扎进「Single 如故 Multi Agent、配哪些脚色和器用」的商量里。但在真实业务中，决定 AI 能否落地的，还有多数更基础、更工程化的东西。

更准确的明白，是把 Harness 当成「基建」——凹凸文工程、架构敛迹、团队知识是否千里淀进 Memory，它不是白板上画出的顶层框架，而是在真实业务里反复迭代跑出来的工程实践。

当 TRAE 团队把这些基建连络进去重跑阿谁实验，「可委派性」昭彰普及，从原来惟有四五相等、对付可用致使不足格的程度，广泛被拉到了 80 分。换句话说，不把基建和 Harness 作念塌实，Vibe Coding 看着快，实践随机快，致使更慢。

管制了主义的对皆，管制了工程层面的问题，终末留给团队的挑战是：配合。AI 把写代码的门槛大幅拉低后，居品、缠绵、运营都能把念念法径直变成代码。洪定坤流露，字节里面就发生过这样的一幕：一位居品同学拿着我方用 Vibe Coding 作念出来的需求来找研发，页面能看、经由能跑，她不睬解为什么还要排期几天、为什么不成径直给她仓库权限我方上线。

显着，代码生成的门槛降了，系统复杂度却没降。从团队配合的角度，这里的两难在于：一方面不成因为「不是工程师写的」就一概抵赖——让更多脚色径直把念念法变成代码，交流更径直、考据更快；另一方面也不成「谁写出来谁就上线」，因为代码要放进既有架构、和已有模块配合。确切的挑战，是让更多东谈主更合理地参与代码坐褥，同期让这些产出汇入和解的架构、表率与委派经由。

把这些挑战连在一皆不错发现，字节对 AI Coding 的暄和点，其实仍是从「用了若干 AI」暗暗挪到了三件更本体的事情上：找到更合理的方针，去掂量 AI 是否简直全局普及了委派遵守；用更肃肃的面容，让 Vibe Coding 走向确切的软件工程，处理好时刻债；以及，围绕 AI Coding，让软件开荒凹凸游的多样脚色更好地配合。方针、治理、配合——这不仅仅字节的课题，亦然行业里大多数公司正在共同面临的挑战。

二、念念要用好 AI Coding 的企业，该若何作念

意志到这些问题之后，字节这一年也在摸索对策。它趟出来的劝诫，约莫不错归结为三个层层递进的改换——从若何初始，到若何融会，再到若何让通盘组织都接得住。

改换从研发的最前端发生。往常的研发习气是文档驱动：居品先写 PRD，缠绵再绘画，研发再写时刻决策，终末才上线。问题是，文档里读着合理的东西，真作念出来时常诀别很大。AI 的改变，是让团队能低资腹地先作念出一个能看、能交互的原型，团队径直围着它商量和体验。

一个很典型的体式是「缠绵图变代码」。传统经由里，缠绵师画好视觉稿，还得由前端工程师照着一转行回话成代码——洪定坤例如，客岁他作念一个小利用，前端同学有六成时辰都耗在这谈「回话」工序上。而 AI Coding 让这一步不错被压缩：改日缠绵师产出缠绵稿时，对应的前端代码就能同步生成，省去多数重叠的东谈主工回话。

但原型仅仅起始。要确切干涉企业级研发，还得把共鸣千里淀成可复现、可考据、可珍重的经由——字节给这套作念法起了个名字，叫「系统化的 AI Development」。简略来说便是：AI 不该只在「写代码」这一段发力，而要干涉研发的各个经由。

现实中常见的无语是——Coding 用了 AI，后头多数职责如故传统经由、靠东谈主介入。字节的探索，是让 AI 基于刻下 Context 编写 Spec，功能已毕后通过「Browser Use」自动掀开浏览器考据、自动缔造 Bug，阐发无误后自动提交、协助上线，让 AI 在全经由里阐发作用。

终末一层亦然最容易被疏远的一层，是组织。早期的 AI Coding，效果时常依赖少数高水平个体——会写 Prompt、懂凹凸文管制、知谈若何拆解雇务和考据铁心的东谈主，遵守普及很高。但对组织而言，要害的不是个体多强，而是若何把团队合座才智提上来，让洒落在个东谈主手里的实践千里淀成组织的范例、器用与手段。

字节的作念法，是把原型驱动开荒、系统化 AI Development 这些劝诫文档化致使居品化，径直千里淀进 TRAE 这样的器用，洞开给统统工程师共创。一个数字是：往常一年 TRAE 的 Token 日均花消量达到 5.6 万亿，同比增长 50 倍。

中国星河证券丨来自：火山引擎

这套从挑战中长出来的方法论，并不单在字节设立，今天仍是有企业使用这套方法论已毕了业务提效。

最有代表性的是中国星河证券。当作国内较早激动 AI Coding 工程化落地的金融机构，它的作念法，是引入 TRAE 并系统性施行 SDD（规格驱动开荒），让 AI 镶嵌从需求到已毕的全经由，而非停在单点补全。

变革得回了权臣的效果：研发需求的合座委派周期裁汰了三分之一到二分之一，AI 代码摄取率最高可达 87%，前端 UI 回话度结实在 90% 以上。落到具体技俩，一个 Oracle 数据库迁徙技俩，往常合座委派要约 5 天，在 AI 介入下压缩到 2.5 天，代码摄取率达 95%；一个原来评估需 3.5 东谈主天的基金管制东谈主系统模块，在 SDD 格式下 1 东谈主天就完成了。AI 改变的不是某个设施员敲键盘的速率，而是通盘委派链条的运转面容。

亚信科技梵衲博信科技则从规模与深度两个侧面作念了印证。

前者领特等万名研发工程师、数千个并行技俩，它用三个月时辰走罢了「种子团队试点—标杆扩散—全员普及」三步，把 AI 研发才智铺到了数千名研发身上，关节动作是把企业我方的代码、文档、历史决策独特化千里淀，让 AI「懂亚信、懂里面 SDK」。

后者在一个大型供应链平台技俩里，把原计较 18 个月、80 东谈主的委派，压缩到 10 个月、50 东谈主，70% 以上的业务代码由 AI 生成并已毕零裂缝上线；与此同期，开荒者的脚色也从单纯的 code writer，转向 Reviewer、Architect 和 Problem-Solver。

三、从 AI Coding 到 AI Productivity

「企业若何用好 AI」正在变成一个比 Coding 自己大得多的命题，今天一个判断渐渐成为共鸣：这场竞赛，拼的早已不仅仅模子。

火山引擎总裁谭待在 Force 大会接受采访时谈到，企业最终要管制的，从来不是「我要一个好模子」或「我要一个好 API」，而是「这一整套 AI 若何在我的企业环境里落地，管制我具体的业务问题」。要作念到这少量，需要的东西致使超出了模子，也超出了 Harness——你要和企业的多样系统买通、和数据买通，要让 Agent 能在企业里真实地运行和操作，还要作念好安全、作念好 Agent 的身份鉴权，满足监管与合规的条目。这是一个比「模子才智」大得多的领域。

这与国外巨头的判断一致。OpenAI 在推露面向团队的 Workspace Agents 时暗示：竞争的关节，越来越不在于谁有最智谋的寂寥模子，而在于谁能把独特凹凸文、检索、器用、治理与配合组合得最佳。换句话说，当模子才智自己渐渐拉平，确切决定 AI 能不成在企业里跑起来的，是模子以外那一整套落地工程。

谭待还提到一个前提：让 AI 确切走进坐褥，靠的是模子跨过了「坐褥力质变点」。他不雅察到，在视频生成模子老到前，调用峰值出目前周末，证明寰球更多是在平静时拿它当玩物；而当模子确切可用之后，职责日的负载反而远超周末——东谈主们初始在办公、在坐褥里用它。

Coding 同理：确切的坐褥级，是代码能跑通测试、能真实上线、能承担中枢系统，而不是写几个能演示的 Demo。他给行业进程打的分数也很明白——淌若说客岁通盘行业跑了 500 米，本年也不外一公里多少量，但这一公里关节，因为它跨过了坐褥的质变点。

而这一程一朝跨过，AI 能作念的事就不会停在代码上。

这亦然 TRAE 念念回答的问题。当它的用户从工程师蔓延到居品、运营、阛阓致使学生，AI 的价值就不再被「写代码」框住，而是干涉更广义的真实职责——这是 TRAE 推出 Work、并与火山引擎一皆把这部分才智集成进企业版的配景。从 AI Coding 到 AI Productivity，TRAE 念念作念的，不再仅仅一个面向工程师的编程器用，而是同期链接 Coding 与 Work：既为企业里的个东谈主提效，也为组织合座的遵守发扬。

TRAE Work丨来自：TRAE

这条从「写代码」蔓延到「作念职责」的路，恰正是全球第一梯队的 AI 玩家正在探索的标的。OpenAI 把 Codex 从一个写代码的器用，明确再行界说为灭绝调试、部署、写 PRD、改案牍、用户经营乃至作念幻灯片、分析表格的通用 agent，称其为「迈向通用 agent 的一步」；Anthropic 也从 Claude Code 蔓延露面向更庸碌知识职责的 Claude Cowork。三家公司、三条居品线，指向的是吞并个标的——AI 的下一站，是从「缓助东谈主写代码」走向「替东谈主完成职责」。

就像洪定坤在演讲中提到的「缠绵图变代码」经由，在今天的TRAE Work里十足大略一站式已毕。你不错径直用「Work」功能以当然话语生成缠绵决策，在「Design」格式的画布中不竭修改，并切换到「Code」格式连络现存缠绵表率和开荒经由。

洪定坤在演讲收尾说，AI Coding 和 AI Working 都如故很早期的命题。早期意味着远未尘埃落定，但跨过质变点，意味着这件事第一次确切可被度量、可被信托、可被规模化地复制到不同业业。

它指向的不再是「AI 能不成写代码」这个仍是被回答的问题开云体育，而是一个更大的命题：当 AI 能结实地走进企业、走进真实职责现场，它对应的，将是一个远比「器用」巨大的阛阓。