技术之外——AI 时代的软件工业化进程

一名工程师的观察：当算力成为水电、AI 智能体成为车间，软件业正在经历一场工业化。这场变革与每个人有关。

过去半年多，我大部分的开发工作都是和 AI 一起完成的。项目越做越大，一个现象也越来越明显：AI 越聪明，项目反而越容易失控——上下文丢失、风格漂移、改一处坏三处。

问题不在模型不够聪明，而在项目缺少"治理"，

最早的时候我正在试用字节开发的Trae，当时治理就是写一个rules.md的规则文件。

2026 年 4 月，我在 QCon 全球软件开发者大会北京站听到了一个比较新的概念：Harness Engineering(驭缰工程)，即AI是一匹脱缰的马，只有做好缰绳，做好约束，才可以使其跑在预定的道路上。

后来我总结出一套办法：用一个 AGENTS.md 文件存放项目的"治理宪法"，用一个 docs 目录存放项目信息、产品设计和 bug 记录，所有计划文档按一套状态机流转（待执行、进行中、已完成、已暂停、已作废、长期计划），状态怎么转换、由谁确认，都有明确规则。

实践下来，项目确实保持了秩序，实际使用下来，除了像oh-my-pi这种”真·脱缰野马“的ai harness，其他的ai harness工具在这套体系下都可以有较好的兼容性，这也意味着只要有这套体系，我完全可以根据模型产品优惠力度选择最合适的一个。

在 QCon 上听到一个说法——软件业的未来是漏斗形的：从业者会向"算力底座"和"算力应用"两端集中，中间的"手搓代码"环节会极度弱化。会上被反复强调的另一个词，是标准化。

这两样东西撞在一起，把我一直模糊的感觉点破了。

我早年负责过公司 ISO-9001 标准的申请与审核，对制造业那套流程化、制度化、标准化的质量管理思想算是印象深刻——我突然意识到：我所做的治理尝试，本质上是在给 AI 建"工厂制度"；而我所见证的，是软件业一场正在发生的工业化。

在这场工业化里，算力提供商（模型提供商）扮演动力与基础设施的角色，如同今天的水、电、网；中间层是各式各样的"软件工厂"——如今的 trae、codebuddy、qoder、dsh（DeepSeek Harness）等 AI 编程产品只是早期的"机器"；工业化的尾端则是用户，只需提出需求，其余交给工厂定制。

这篇文章，就是我对这场工业化的一个梳理：它从哪里来、走到哪一步了、真正决定成败的是什么，对于此，我们应如何找对自己的位置（当然，这种说法有点托大了，权当作是一种探索或思路上的交流吧）。

一、软件工厂：一个纠缠了半个世纪的执念

先说一个冷知识："软件工厂"不是新概念，它是一个反复失败过多次的老想法。

早在上世纪 60 年代末，行业内就有人提出：能不能像办工厂一样办软件开发——用标准化的组件、可重复的流程、可预测的产出，把写软件变成"造软件"。

此后几十年，这个想法不断浮现、失败、再浮现：管理学者 Michael Cusumano 在 1989 年出版过对日本与西方软件开发方式的标志性研究；2008 年前后，微软也曾系统性地提出"软件工厂"构想，随后又不了了之。

为什么屡战屡败？答案藏在工业化的基本逻辑里。

工业化的前提，是工序可以被标准化；而传统软件生产中最贵、最核心的工序——把设计变成高质量代码——恰恰无法标准化，它高度依赖工程师的个人经验和临场判断。

需求可以评审，测试可以自动化，唯独"写代码"这一步卡住了整条流水线。

CloudBees 的 CEO Moritz Plassnig 对媒体总结得很直白：过去编码是许多组织的瓶颈，"你不得不招募更多工程师，但招人既难又贵"。

这一次为什么不一样？因为卡住流水线半个多世纪的编码瓶颈，第一次被智能体编程真正解除了。

一个耐人寻味的证据是"独立收敛"。

据 ZDNET 报道，前沿部署工程师 Jaymin West 指出：过去约 18 个月里，处于智能体软件开发前沿的公司——Anthropic、Google、OpenAI、Cursor、GitHub 等——"都在独立构建同一套机器，并不约而同地得出了相同的结论"。

多家互不通气的头部公司收敛到同一架构，通常意味着这个架构触及了某种产业必然性，而不是某家公司的产品偏好。

当然，乐观需要留有余地。

行业里的冷静声音同样清晰：代码生成容易，验证正确性难。软件工厂可以量产代码，但"量产出来的代码对不对"仍是主要工程挑战。

一场轰轰烈烈的软件工业化进程正在展开，人们已经通过其他产业的工业化进程积累了大量的可复用经验。

二、算力就是新的水电

如果要给这场工业化找一个"电力系统"，那就是大模型。这个判断也正在从类比变成现实数据。

先看产业结构的判断。

早在 2023 年，腾讯研究院就提出：大模型正在促进 AI 的工业化，未来将形成"MaaS（模型即服务）"生态，分三层——大模型基础设施型企业、垂直行业应用企业、贴近个人用户的应用与服务。报告里有一句话几乎说透了本文的主题：MaaS "实现了 AI 从手工作坊到工厂模式的转变"。

再看"水电"这个类比本身。

有人在投资策略会上算过一笔账：国内用电量中，居民生活用电只占约 15%-16%，大头是工业和商业用电。大模型可能也一样——真正的"用电大户"不是聊天提问的个人，而是企业和机器。

数据正在验证这一点。

据国家数据局公布的信息，截至 2026 年 3 月，中国大模型日均 token 调用量突破 140 万亿——而 2024 年初这个数字是 1000 亿。两年，增长超过一千倍。

这背后固然有产业级需求的爆发，但同样关键的动因在供给端：国内的模型又好又便宜——尤其 DeepSeek-V4 发布时极具冲击力的价格，把大量普通用户和开发者拉进了“用电”的行列。

我自己就是在那个阶段开始大量探索 AI 智能体的：个人电脑、服务器、树莓派，甚至 ESP 上都跑起了类 OpenClaw 的智能体。模型提供商把“电”以极低的价格送到每个人手边，这才是电力系统成型最快的时刻。

更有说服力的是用电的结构：据中信建投的梳理，模型调用量约 73% 由 AI 智能体和代码工具拉动。换句话说，软件开发正是这个"电力系统"最大的工业用户。

漏斗中间层的"软件工厂"不是隐喻，是当前算力消耗的主要来源。

"电厂"当然也在同步扩建。

全球 AI 基础设施投资额从 2021 年的 305 亿美元增长到 2025 年的 3350 亿美元，预计 2030 年达 9137 亿美元；北美四大云厂商 2026 年的合计资本开支预计高达 6500 亿—7650 亿美元；国内，字节跳动把 2026 年的 AI 资本开支上调至 2000 亿元，阿里巴巴规划了 3800 亿元。

市场的供需信号同样直白：2026 年以来，AWS、谷歌云先后涨价，国内多家厂商上调模型定价，部分编程套餐甚至出现限购——"电"开始供不应求了。

需要说明这个类比的一个边界：电力是标准化的商品，而模型能力仍在快速分化。

"水电化"准确的含义是供给方式的公用事业化——按量计费、随取随用、集中供给——而不是模型能力变得千篇一律。

记住这个区别，后面理解竞争格局时会有用。

三、软件工厂已经开工

动力有了，车间呢？已经开工了——只是不同车间的自动化程度差别很大。

从公开资料看，当前的"软件工厂"可以用三层结构来理解，恰好对应一座真实工厂的三个部门：底层是模型服务层（动力车间），提供代码生成、解释与工具调用能力；中间是任务编排层（调度系统），把需求拆解成子任务，交给不同的 AI 智能体并行完成再汇总；上层是工程闭环层（质检科），生成的代码必须经过静态检查、编译、单元测试、代码审查、部署，才能出厂。

看几台"机器"的现状。

国内呈"御三家+多极"格局：字节的 Trae 主打 AI 原生 IDE，SOLO 模式可以从一句高层次需求自主完成全流程开发；阿里的 Qoder 有"专家团"多智能体协作模式，官方口径下代码保留率 86.81%、token 消耗降低 21%；腾讯的 CodeBuddy 覆盖 IDE 插件、云端 IDE 和 CLI 三种形态，深度集成企业研发全链路，对微信小程序的支持最完善。

海外阵营里，Cursor 是 AI IDE 的代表，Anthropic 的 Claude Code 在权威评测 SWE-bench Verified 上拿到 81.4% 的成绩，OpenAI 的 Codex 主打云端异步执行，Cognition 的 Devin 则是最早的"AI 软件工程师"。

而 2026 年 8 月最值得单列的国产变量，是DeepSeek Harness（命令行名字就叫 dsh）——深度求索开源的智能体运行时框架。

它和上面那些 IDE 型产品定位不同，官方给了一个公式：Model + Harness = Agent。模型是"大脑"，负责推理理解；Harness 是"执行神经系统"，负责调度工具、管理任务状态、执行闭环。

它的设计原则叫"一切皆插件"：模型、工具、会话、沙箱、界面，所有能力都由插件拼装而成，可以自由替换；甚至有一个"创造模式"，允许智能体在运行中给自己装卸插件。

市场用脚投票的结果是：发布半小时 GitHub 星数破万，五天 14.9 万，一周约 16.5 万，社区插件超过 5100 个。

在我看来，DeepSeek Harness 的出现有两个信号：其一，"harness"（线束/执行框架）这个词从社区黑话升格为官方产品命名，说明"执行层"已经成熟为一个独立产业环节；其二，一家模型提供商亲自下场做执行层，说明"电厂"开始自建"工厂"——动力层和机器层的边界正在互相渗透。

这会是未来几年最值得观察的产业变量之一。

那么，这些"机器"离真正的工厂还有多远？用"流程化、制度化、标准化"三把尺子量一下，进度是递减的：

流程化——进展最快。从需求到交付的流水线已经跑通，交付单位正从"一次代码变更"扩大到"一个完整功能"。

制度化——正在铺设。团队能用规则文件约束 AI 的工作方式，但制度主要靠使用者自己搭建，产品的默认供给还很少。

标准化——缺口最大。验证正确性仍是公认难题，复杂项目偶有逻辑错误，自主执行深度有限。

一句话总结：车间有了，流水线转起来了，但质检科还没建好，出厂标准还没定型。这个"质检科"，就是下一节的主角。

四、决定工厂成色的，不是机器，是制度

工业史有个一般规律：先有机器，后有制度；制度的确立，才是工业化完成的标志。软件工业化正在重演这一幕——而且速度惊人。

先讲一个所有用 AI 编程的人都可能遇到过的麻烦。

当你同时用两三个 AI 编程工具的时候，每个工具都有自己的"规则文件"：这个用 CLAUDE.md，那个用 .cursorrules，另一个又要单独配置。内容其实大同小异——构建命令、测试方式、代码风格、哪些目录不能碰——但你要为每个工具维护一份，改一次规则就得同步好几处。团队协作时，这简直是一场小型的文档灾难。

怎么解决？

2025 年 5 月，有团队提议用一个统一的文件来存放这些规则；随后 OpenAI 沿用并推广了 AGENTS.md 这个格式——一份所有 AI 智能体共用、用自然语言写成的项目规则书。

它的内容定位非常朴素：存放"任何你会告诉一位新同事的事"。

同年 12 月，OpenAI 把它捐赠给 Linux 基金会旗下组织，与 MCP 协议并列托管。

到 2026 年初，超过 6 万个开源项目采用，30 多个工具原生支持；2026 年 9 月，最后一块主要拼图合拢——Claude Code 也宣布兼容读取 AGENTS.md。

一年时间，一个社区提案变成了行业事实标准。

这是软件工业化里"制度铺设"的标志性事件。

对照着看，我的那套「AGENTS.md + docs」治理体系（非本人专利哈哈哈），恰好和业界规范同构：AGENTS.md 是宪法，docs 目录是档案室，计划状态机是过程纪律。

尤其是状态机——AI 参与开发时最常见的事故是任务状态失控：重做已完成的工作、跳过验收、把废弃任务留在上下文里捣乱，或者走入某个死胡同陷入循环。

显式的状态机把"过程纪律"写进项目本身，任何 AI（或人）在任何时刻都能从文档里恢复项目全貌。

这正是 ISO 质量管理体系里"过程方法"和"记录控制"思想的 AI 时代翻版——我的 ISO-9001 审核经历，在 AI 治理这件事上意外地派上了用场。

往更大处看，传统质量管理标准正在系统性地迁移进 AI 时代。

2023 年 12 月发布的 ISO/IEC 42001 是全球首个"人工智能管理体系"国际标准，它与 ISO 9001 共享同一套高层结构，要求对 AI 系统实施全生命周期管理、风险管理和可审计。

换句话说：软件工厂的"质检科"不会凭空发明，它将大量继承 ISO 9001 时代沉淀了半个多世纪的成熟方法论——过程方法、基于风险的思维、证据化决策、持续改进。

对经历过 ISO 体系建设的企业来说，这是 AI 时代最值钱的存量资产。

还有一个容易被忽略的维度：工厂的记忆。

我把模型的自学习能力理解为三层：第一层是单次对话里的上下文认知；第二层是基于记忆和知识库的本地知识持久化——个人、团队、公司都能做；第三层是模型提供商对模型本身的持续训练，那是另一条路径的扩展。

这个划分和业界架构高度对应：现在主流的智能体产品都在补第二层——Cursor 推出了记忆系统，Qoder 有能分析十万级文件的项目知识库。

一项基准测试显示，智能体只用上下文窗口时成绩约 61 分，加上结构化长期记忆后提升到 94 分。

这个分层揭示了一个重要分工：前两层是工厂的资产，第三层是电力的升级。你在记忆和知识库上的投入，沉淀为自己可控的"本厂工艺"，不会随模型版本更迭而流失。

这也是为什么治理体系必须建立在文档和知识库上，而不是建立在"对某个模型的信仰"上。

五、被重塑的不只是代码，还有写代码的人

每一次工业化的最深处变革，都不在机器里，而在人与组织。这部分，可能是"技术之外"最切身的内容。

先看一组 2025 年 11 月发布的调查数据。

BairesDev 的 Dev Barometer 调查覆盖了 501 名开发者与项目经理（多为 8 年以上经验），结果是：65% 的高级开发者认为，自己的角色将在 2026 年被重新定义。在这部分人里，74% 预期从亲手编码转向设计技术方案，61% 计划把 AI 生成的代码整合进日常工作流。

行为数据与此互证：GitHub 2025 年开发者报告（转引）显示，使用 AI 编程助手的人里，超过 60% 的编码时间减少了 30% 以上，但花在代码审查、架构设计和提示词工程上的时间增加了近 50%。

英伟达 CEO 黄仁勋的说法更直白："我的每个工程师都更想造 agent 而不是写代码。写代码只是打字而已。"

人才需求正在呈现"K 型分化"：一端下沉，一端上扬。

下沉的一端，是从事基础性、重复性编码和测试的初级岗位——已有企业案例显示，部署智能体开发平台后，传统"初级工程师"岗位被大幅缩减。

上扬的一端，是一批全新的岗位：智能体架构师，设计多智能体系统的整体架构与协作流程；AI 指挥官/研发效能专家，写规格文档、设计提示词、拆解任务、评估 AI 产出质量；AI 质控师，构建"智能体生成—人工复核—自动扫描"的三重校验体系。

你发现没有？这些新岗位的名字里藏着一个共同的前缀——治理。它们承担的正是上一节所说的制度体系的设计、执行与审计。

工业化把"编码"从岗位核心剥离的同时，把"制定标准"放进了岗位核心。

组织形态也在变：传统的"金字塔形"团队（大量基层+少量管理层）正在转向"匕首形"或"核心架构师+AI 编队"——少数高阶的人负责战略、架构与审计，大量 AI 智能体承担执行。

个人的能力模型随之迁移，升级方向可以归纳为四项：与 AI 高效沟通的提示词工程、AI 替代不了的系统设计、对工具边界的清晰认知，以及技术门槛降低之后反而更值钱的软技能——理解业务、协调利益、推动落地。

综合这些证据，我想给一个克制的结论：软件工业化并没有消灭开发者，而是把开发者的重心从"生产代码"整体上移到了"定义、治理与验收"。K 型分化的阵痛是真实的，但分化的上端恰恰是治理能力——这是接下来讨论"怎么办"的伏笔。

六、我们走到哪一步了

把前面所有证据放在一起，可以回答那个关键问题：这场工业化，进行到哪一步了？

先看资金面，它反映市场的判断。

全球 AI 代码工具市场，Grand View Research 预计从 2024 年的约 67 亿美元增长到 2030 年的 257 亿美元（年复合增长约 24.5%），Gartner 和 Precedence Research 的预测口径不同但方向一致。

中国市场增速更高：亿欧智库预计从 2023 年的 65 亿元增长到 2028 年的 330 亿元，年复合增长约 38%，显著跑赢全球；其中"大客户定制"与"标准化云服务"并存的收入结构提示：未来的软件工厂很可能是"定制生产线"和"标准流水线"双轨并行。

再看阶段。

我的判断是：工厂早期——机器已就位，动力已通电，制度正在铺设，质检体系尚未定型。

四层的完成度是不对称的：动力层（算力）已成型；机器层（AI 编程产品）快速成熟中；制度层（治理与标准）铺设过半；质检层（验证与标准件）缺口最大。

类比工业史，这大约相当于工厂制确立的早期：蒸汽机通电了，机床进场了，工厂章程开始起草，而标准化件与全面质量管理的时代还没有到来。

这个判断也意味着四类风险需要正视：

验证与质量。没有可靠验证的工厂，量产的将是"错误的速度"——"软件工厂并非质量保障的万能解法"这句话，值得写进每一家工厂的章程。

人才断层。初级岗位收缩容易，但今天的初级工程师是明天的架构师。入口被过度压缩，行业可能面临中坚人才断层——这比"AI 取代程序员"更隐蔽。

资本开支。数千亿美元级的投入若遭遇需求不及预期，"电厂"可能出现阶段性过剩与价格波动。

治理滞后。AGENTS.md 这类标准管的是"如何指挥 AI 干活"，而"AI 干的活如何担责"——责任分配、知识产权、安全合规——组织级制度仍在早期。

结语：写给每一个正在被工业化的人

回到开头的悬念。

这篇长文可以浓缩成三句话：

第一，漏斗基本成立，但用词要精确。产业向"算力底座—软件工厂—终端用户"三层集中是数据可证的趋势，但"手搓代码极度弱化"更准确的说法是：编码作为岗位核心被弱化，而非编码行为消失——它被压缩进了流水线。

第二，"工具变工厂"的方向可证，进度需要耐心。头部厂商已独立收敛出同构的工厂架构，但验证瓶颈决定了这是一场渐进的工业化。我们正处在工厂早期。

第三，治理与标准化是这场工业化的胜负手。AGENTS.md 的一年标准化、ISO 体系向 AI 的迁移、QCon 2026 上的"标准化"共识，共同指向同一个结论：机器的问题，最终由制度回答。

所以，如果你问该怎么办——分三层说：

如果你是个人开发者：把职业锚点从"写代码"迁移到"定义与验收"。性价比最高的起步练习，就是亲手为你负责的项目维护一份真正的 AGENTS.md 和一套文档状态机——相信我，这件事对理解"治理"的帮助超过读十篇文章。然后按四项升级能力栈：提示词工程、系统设计、AI 工具链、软技能。

如果你带团队：把治理做成基础设施，而不是某个人的习惯。将 AGENTS.md、docs 规范、状态机固化为团队默认工作流；建立"生成—复核—扫描"的验收闭环；用共享记忆和知识库沉淀团队工艺，让经验不随人员流动而流失。

如果你经营企业：用管理体系的存量对接 AI 的增量。已有 ISO 9001 体系的企业，把 ISO/IEC 42001 作为衔接 AI 治理的桥梁，不必另起炉灶；在算力上按"水电"逻辑做预算和治理；在人才结构上主动设计转型通道，避免 K 型分化演变为断层。

软件工业化的终点，是用户只需提出需求，其余交给工厂定制——而工厂的工作收敛为技术封装、参数调优、标准指定。那一天的到来不会以某次模型发布会为标志，而将以三件事的完成为标志：验证体系定型（质检科建成）、治理标准普及（工厂章程生效）、算力价格收敛（电费可预算）。

对手工作坊时代的匠人来说，工厂时代并不悲凉——他们中的佼佼者成为了工程师、工艺师与质检员。

软件业的匠人同样如此。

当编码被工业化，真正稀缺的将是定义能力、治理能力与判断力。

在软件工厂的时代，最贵的人不是写得最快的人，而是能制定标准的人。

AI推广实现了一定程度上的知识平权，打破了编程等专业性较强行业对于普通人的壁垒，大家都有机会实现自己的业务自动化管理，未来的AI必将朝向更严谨、更可靠的方向发展。

在持续提高AI的安全、可靠、智慧后，我们的目标是星辰大海。

主要参考来源

• ZDNET（至顶网编译）：《AI 时代软件工厂的回归》，2026-08
• TrueFoundry：The Agentic Software Factory, Explained，2026-08
• Digital Economy Dispatch #279：The Rise of AI Factories，2026-04
• 腾讯研究院×同济大学：《人机共生：大模型时代的 AI 十大趋势观察》，2023
• 景顺投资 2026 策略会纪要，2026-08
• 国家数据局公布数据（转引自杰创智能 2025 年年度报告）
• 中信建投：通信行业观点，2026；慧博智能投研：《算力租赁行业深度》（OpenRouter 数据），2026-08
• 银河证券：行业深度报告（引弗若斯特沙利文），2026-08
• 北大 AI 肖睿团队：《AI 编程工具对比 2026》等工具横评（2026 年 5—6 月多篇）
• 中国证券网（上证报）：《黑鲸出水 DeepSeek Harness 开发者预览版上线》，2026-08-13；网易（引每日经济新闻、智东西）相关报道，2026-08-14；Pandaily、MindStudio 相关报道，2026-08；百度百科 DeepSeek Harness 词条
• tomrochette.com / stepto.net / woyable.com / ayautomate.com：AGENTS.md 规范沿革与采用数据（2026）
• NSAI / 9001-2026.com：ISO/IEC 42001 与 ISO 9001 衔接，2026-03
• ISPE GAMP Guide: Artificial Intelligence，2024-12
• InfoQ / 积墨 AI：QCon 北京 2026 会议报道，2026-01
• BairesDev：Dev Barometer Q4 2025（GlobeNewswire，2025-11）；GitHub 2025 开发者现状报告（转引）
• 解数咨询：《AI 编程行业深度研究报告》，2026-04；信达证券、Jefferies、亿欧智库相关市场预测（2026）
• 艾瑞咨询：《中国企业级 AI 应用行业研究报告》，2025-12；Mem0 LongMemEval 基准测试（2026）
• 作者一手实践：AGENTS.md 治理体系、ISO-9001 审核经历、QCon 2026 北京站参会观察

说明：本文个人经历部分为作者一手观察；行业数据均来自公开来源，标注"转引/推算"的数据采信时宜保守。