大兵解读AI+软件时代,智能编程怎么重做产研交付

谷歌CEO皮查伊今年4月在Google Cloud Next大会上说了个数，谷歌内部近75%的新增代码由AI生成，人类审核通过。

这个数字背后有一条陡峭的时间线。两年前是15%，一年前25%，半年前50%，现在75%。

这个斜率，放在任何行业都是峭壁。 软件行业用了七十年的生产方式，斜率突然变了。

但马上反转。Sonar《2026开发者现状调查》给了另一组数，72%的开发者每天在用AI编程工具，42%的代码由AI生成或辅助，可96%的开发者，并不完全信任这些AI写的代码。

代码可以无限生产，谁来签字？ 这是2026年软件行业最大的悬案。

工信部9月刚发的《"人工智能+软件"专项行动实施方案》，给这场变革又踩了一脚油门，两年内把智能编程工具铺到2万家规模以上软件企业，组织100项智能化技改。

政策已经下场。但大部分软件公司的产研流程，还停留在"买了个插件"的阶段。

这篇文章不谈概念。谈智能编程怎么把需求、评审、测试、发布、岗位、人效这套东西，整个掀过来。

第1章 政策拆解：软件生产端三句话，句句要命

先看文件本身。《"人工智能+软件"专项行动实施方案》，工信部信发〔2026〕209号，9月2日印发，上一篇贴图文章进行了解读。

它是国务院《关于深入实施"人工智能+"行动的意见》的行业落地细则。国务院文件是"面"，讲六大领域；工信部209号文是"线"，把软件单独拎出来，给出可考核的数字。

顶层定方向，部委定指标，地方抓落地。 这是典型的政策操作节奏。

落到第二部分"推进软件生产变革"，就三句话。

第一句，工具链。"发展智能体驱动的智能编程工具，提升项目级、全流程的自主开发能力。"官方第一次把"智能体"和"编程工具"写进同一句话，还要求与代码托管平台、云服务、开源社区深度适配。

潜台词很清楚，不能全靠Cursor和Copilot。国内市场其实已经"四分天下"，腾讯CodeBuddy约28%、阿里通义灵码约26%、字节Trae约24%、百度文心快码约22%，一套自主可控的工具梯队正在成形。

第二句，技改。 支持有条件的地方组织软件企业智能化技改，而且特意强调"以代码质量、研发效益等智能编程应用实效为重要依据"。

注意这句话的分量。政策在纠偏，防的就是"只看代码生成率、代码行数"的歪路。后面我会讲到，这条歪路正在害人。

第三句，安全。"对存量软件实施漏洞挖掘、缺陷自动识别和风险分级评估"，"将智能安全检测嵌入软件开发全流程"。

AI写代码越快，安全债积累越快。政策提前把"安全"和"提效"绑在同一根绳上，不让企业为了赶进度裸奔。

配套的硬指标也摆在这，到2028年，智能编程工具覆盖2万家规上软件企业，100项技改项目，100个智能体软件标杆应用，5个以上优质开源项目。到2030年，关键软件全面实现智能化升级。

政策给的是方向，不是药方。药方，得每家软件公司自己开。

第2章 反常识现场：写代码快了10倍，交付只快18%

三个反常识的现场，先摆出来。

现场一，提效卡在20%上不去。

复旦大学的茹炳晟点破过一个要害，企业级研发里，真正写代码的时间只占20%到30%。AI把这一段提速了，沟通、对齐、评审、测试、联调、上线一样没少。

所以整体提效卡在15%到25%。

腾讯的数据更直白，九成员工在用编程助手，编码时间缩短了40%，但整体研发提升只有20%。写代码快了，工程没快。

快手的沈浪区分了两道鸿沟。个人提效不等于团队提效，团队提效不等于组织提效。他的团队花了一年才想明白这件事。

我一年前也信过"AI让研发效率翻倍"那套说法。后来我们把它铺到一个流程混乱的小组，交付反而更慢了。AI不修复团队，它暴露团队。

现场二，96%的人不敢签字。

Sonar每天分析7500亿行代码。他们的调查里有一组扎眼的矛盾，72%的开发者每天用AI，42%的代码由AI生成，96%的开发者却无法完全信任AI代码。

还有35%的开发者，绕过企业授权工具，用个人账号干私活。行业管这个叫"影子AI"。

最要命的一层，AI把写文档、写测试这些低效活干掉了，但"逐行核验AI代码"成了新的低效活。AI不为质量负责，责任全落在签字上线的人身上。

我在以前的文章「大兵聊Vibe Coding：这场AI编程革命，到底革不掉什么？」，也专门提到这一点。

现场三，Cursor估值600亿。

2026年8月14日，SpaceX以约600亿美元估值完成对Cursor母公司Anysphere的收购。一家做代码编辑器的公司，估值达到600亿。

GitHub Copilot付费用户突破1500万，年化收入约18亿美元。昆仑万维CEO方汉披露，公司每月消耗1万亿到1.2万亿token，人均每月约700元。这相当于20个人的成本，换来研发速度提升50%以上。

这一轮没有泡沫。 泡沫只存在于一种叙事里，"以后不需要工程师了"。真金白银都花在"怎么让人类更可靠地使用AI"上。

AI把写代码的手艺废了，但没给你新的梯子。 新的梯子在哪？先看交付链路怎么被重写。

第3章 交付链路五环节，每一环都被重写

产研交付就五步，需求、写码、评审、测试、发布。五步里，每一环的玩法都变了。

▍3.1 需求怎么拆：从"写PRD"到"写Spec"

腾讯云CodeBuddy 2.0升级时做过一次"吃狗粮"实验，按大厂传统要一年的架构级演进，4名工程师4个月完成，99%的代码由AI生成。

前置条件只有一条，把需求拆成可执行规格。

微软Spec Kit把开发拆成五步，宪章、需求、架构、任务、实现。逼着AI敲第一行代码之前，先有可执行的规格。

工程师天然抵触写Spec，因为它逼人把模糊需求想清楚。腾讯云的办法是"吃狗粮小群"强制执行，边做边补。

模糊的需求喂给AI，AI只会用前所未有的速度把模糊甚至是错误写出来。

▍3.2 代码怎么写：从"人写AI补"到"人下令AI写"

OpenAI的Codex论文里有一组数，重度用户一周同时管理5个以上Agent，最头部的1%用户，一天累计跑约71小时Agent任务。提交超过8小时人类工作量任务的用户比例，一年内涨了近10倍。

写代码这件事，正在从"人写AI补"变成"人下令AI写、人验收"。

但有个细节极重要，"第一行代码"决定一切。

论文《Security Degradation in Iterative AI Code Generation》做了个实验，400个样本迭代40轮，仅仅5轮之后，关键安全漏洞就激增了37.6%。Salesforce的研究员发现，对话轮次增加后，模型的逻辑表现平均跌39%。

方向歪了，AI会以前所未有的效率跑偏。 所以"代码品味"必须工程化，腾讯云管这个叫"品味不变式"，一个模块只做一件事，不过度设计，错误处理不能省。

▍3.3 代码怎么Review：全文最重的一节

Faros AI基于4000多个团队、2.2万开发者两年的遥测数据，给出一组"加速冲击波"，当AI工具周活越过50%阈值，人均任务完成量+34%，但人均Bug数+54%，事故与PR比率涨3倍，31.3%的PR合并时无人审查。

DORA 2025报告发现，团队代码评审的中位耗时暴涨441%。GitLab调查里，85%的团队认同一句话，瓶颈不再是写代码，是审代码。

以前Reviewer花时间看懂"这段PR在干嘛"。现在AI会生成PR描述和测试，Reviewer只需要判断三件事，架构对不对，风险大不大，能不能上线。

新范式是哑铃结构，AI初审，人做架构判断、风险判断、兜底判断。

Reviewer的判断力，成了整条链路上最稀缺的资源。

▍3.4 测试怎么跑：测试左移，用例与代码同步生成

神州信息的银行核心系统案例，以前5个人花1个月写测试用例，现在1个人审核AI生成的用例。

测试左移，用例和代码同步生成。但安全债在指数累积，上面那组"5轮迭代漏洞+37.6%"的数据说的就是这件事。

▍3.5 发布谁负责：回到"谁签字"

点Merge的人和他所在的团队背书。企业必须建质量门禁和人工责任制。

Sonar有句话，我建议每个技术负责人把它贴在工位上。

"我批准将这段代码投入生产环境，并承担随之而来的所有风险"。

代码生成这件事，2026年早就不卡了。卡住的是，你敢不敢为一段你没逐行读过的代码，在生产事故通报上签上自己的名字。

第4章 范式跃迁：从Vibe到Loop，从裸CPU到操作系统

代码怎么写这件事，今年也换了一代。

Vibe Coding是入场券。

"用感觉写程序"，2026年最热的技术叙事。Gartner预测，到2028年40%的企业新应用将由"氛围编程"生成，而且63%的氛围编程使用者根本不是专业开发者。

人人都能写程序了。但热潮之下藏着的交付危机，前面三章已经讲完。

真正的分水岭，在Vibe之上。

Boris Cherny，Claude Code的创建者，今年说了段话。

"现在，我觉得又到了下一个层级：我不再提示Claude了，我有一堆循环（loops）在运行，它们才是在提示Claude并判断接下来该做什么。我的工作变成了写循环。"

"龙虾之父"Peter Steinberger同一天发推："你不该再给编程Agent写提示词了。你应该设计一套循环机制，让这些循环去提示你的Agent。"这条推文拿了150万浏览量。

两个人把一个新范式推到台前，Loop Engineering，循环工程。

它背后是一条四级台阶。

Prompt，你指挥AI，一句一句下指令。

Context，你给AI足够的工作上下文，让它看得懂。

Harness，你把AI嵌进执行流程，工具调用、错误处理、审计留痕都有章法。

Loop，AI在执行、检查、修正、再执行的闭环里自己转，人只盯结果。

Prompt是命令AI干活，Loop是让AI自己盯着活干完。

再往下挖一层。大模型本身是什么？一块"裸CPU"，没有内存管理，没有文件系统，没有进程调度。要让它稳定执行企业级任务，必须在它外围建一整套"操作系统"级别的基础设施。这就是Harness。

这里有个配置哲学，机器之心的综述讲得透彻。

内化，通用策略、稳定知识，进模型参数。推理快，不依赖外部。

外化，实时数据、高风险操作、审计留痕，留在Harness层。可控、可回滚、可解释。

Skills，技能包，就是外化知识的载体，一块块可编排的积木。

模型负责聪明，Harness负责靠谱。两个都靠谱，才是真的靠谱。

第5章 组织和岗位：金字塔正在从底部断裂

产研重做，必然动组织。

两个真实组织调整先摆出来。美团CLC食杂零售的Keemart研发团队，把前端和后端正式合并。蚂蚁网商把测试岗位整体转向研发，设半年缓冲期转型全栈。

这不是互联网传闻，是写进组织架构调整公告的事实。

Claude Code之父Boris Cherny提过五类角色原型，原型探索者Prototyper、构建者Builder、系统清理者Sweeper、产品增长者Grower、系统维护者Maintainer。

岗位的划分逻辑变了。不再按职能分，按产品阶段和系统责任分。

字节、阿里、腾讯、谷歌、Stripe最新的JD里，"纯前端""纯后端"的岗位定义正在消失。企业要的是"端到端负责一个功能从需求到上线"的人。AI全栈工程师的新含义，变成懂产品、懂模型、懂系统、懂成本。

但真正让行业睡不着觉的，是金字塔的底部。

华盛顿大学两位学者在《CACM》提出"窄金字塔假说"，金字塔的底座正在被抽掉。初级开发者过去靠修 Bug、写基础代码、做小需求，在大量试错与反馈中练出对代码的判断力。

现在 AI 接管了这些执行层工作，真正的危机不是 "活没了"，而是 "反馈回路断了"——AI 把代码写对了，新手却失去了 "为什么对" 的试错机会。品味不是被 AI 抢走的，是练不出来了。

数据也难看，初级岗位需求自2022年降了67%，智联招聘普通前后端岗位降52%，七成岗位要求3年以上经验。

以前工程师的成长靠"犯错"，在低风险的分支上把系统写坏一次，再修好。AI把这个练习场没收了。

五年后回头看，我们可能会发现一个问题。没有技术负责人可以培养了。

政策第十八条"促进软件产业就业友好发展"，要求"同步实施岗位改造与技能培训"。国家看见了裂缝。但靠行政手段，能补回这根断了的成长梯吗？我持保留态度。

Tech Lead的价值在迁移，从"我写得比你快"，迁到"我知道不该让AI写什么"。品味不变式、架构兜底、风险分级，这三样AI给不了。

第6章 垂直行业解法：某行业数科软件公司的产研重做路径

方法论讲完，落地到垂直行业。以某行业数科软件公司为例，说说这条路怎么走。

第一步，企业架构为引领。

先把主要业务系统的架构基线梳清楚，一般是行业企业都有的通用业务模块，比如生产运营、财务、营销、人资、综合管理这些。没有架构基线就上AI，结果是一堆智能烟囱，各冒各的烟。

没有企业架构的AI+软件，就是给一栋没打地基的房子装智能家居，好看，但不稳。

第二步，行业本体建模开路。

按对象定义行业，按功能建系统。一家大型企业的本体是什么？产品、客户、订单、项目、资产、工单，把这些对象的语义、关系、规则建模，让机器读得懂行业语言。

事件本体让AI从"学结果"到"学过程"，动作本体让AI从"会说到会干"。本体建模的深度，决定了AI在垂直行业能走多远。

第三步，AI Infra九层底座。

东哥《AI Infra落地实战》给了张九层架构图，垂直行业软件公司可以直接对标，L0基础资源、L1模型推理、L2数据知识、L3上下文、L4编排、L5工具执行、L6状态记忆、L7评测质量、L8可观测运营。

再加四条治理，安全治理、发布治理、成本治理、开发者体验。

训好模型只是起点，跑好Infra才是终局。 这句话对垂直行业软件公司尤其成立，你的护城河不在模型多强，在L2到L8这七层扎得深不深。

第四步，Learning Loop，把经验沉淀变成工作本身。

京东零售产研团队的思考给我很大启发。他们把企业智能概括成三个要素，Model、Context、Learning Loop。

个人效率的提高，不直接等于企业效率的提高，中间隔着流程和协作的Gap。一个程序员的Coding效率提高很多倍，公司的研发效率并不会同步提高很多倍。

Learning Loop的妙处在哪？你让AI出方案，AI给初稿，你给反馈，哪里不合适、结构怎么调。系统把这些反馈记下来，变成新的Context。下一个同事碰到类似问题，AI就知道怎么做。

过去沉淀经验是额外的工作，现在它变成了工作本身的一部分。

第五步，轻量级国产技术栈+AI+软件全过程管理范式。

信创合规、成本可控、生态成熟，三条底线。轻量级技术栈让中小项目用得起，国产栈让央国企客户敢用。

全过程管理范式，需求、设计、开发、测试、交付、运维，每一环都AI化。以智能原生应用和高价值智能体为目标，全面遵照国家实施方案。

客户要什么？要的是AI把活干完。而这"把活干完"，靠某一段代码写得快没用，得整条链路一起变。

第7章 最后判断：政策落地的三个冷水+留给你的行动清单

泼三盆冷水，再给一份行动清单。

冷水一，2万家的KPI，会不会变成"买席位竞赛"？

把工具塞给一家连需求评审都走过场的小软件公司，是提效，还是加速生产技术债？Faros的数据已经说了，AI在成熟工程团队是放大器，在流程混乱的团队是"加速混乱"。KPI式推进最大的风险，是变成"买了多少席位"的采购数字游戏。

冷水二，技改条款强调"代码质量、研发实效"，政策已经在防歪。

这句话值得每家软件公司划重点。靠"代码行数""token消耗量"邀功的路，政策已经明示走不通。真正的实效指标，代码质量、研发效益、进入生产环境的净增代码。

冷水三，就业友好条款背后，是国家也看见了金字塔底部的裂缝。

岗位改造、技能培训、开发新型岗位，行政手段能对冲一部分，但补不回那根"靠犯错成长"的梯子。这个问题的最终解法，在每家企业自己的培养机制里。

行动清单，三件事，按顺序来。

先选一个流程成熟的小队试点，别急着买全公司席位。

先建代码评审和质量门禁，再谈让Agent自主写。

先想清楚谁签字上线，再谈提效。

顺序错了，前面三盆冷水，一盆都躲不掉。

这场变革最残酷的地方，在于它把"写代码"这件事从工程师的护城河，变成了水电煤。真正还在河里的，是那些能定义问题、能守住品味、敢为后果签字的人。

政策给了两年时间把工具铺出去。能不能活下来，取决于你这两年，把自己从"写代码的人"变成"指挥代码的人"。

你们公司AI代码进生产前，最后一道人工签字是谁？评论区见。

产研流水线重做完，下一步是产品本身怎么变。下一篇，聊聊"智能伙伴"。

以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，给我个星标⭐～（订阅号列表顶部点星标，不然后面就沉下去啦）

谢谢你看我的文章，我们，下次再见