夜雨聆风
1 从幽灵文本到智能体工程
第一阶段：幽灵文本（2020-2022）。2020年6月，GitHub内部一个名为GitHub Next的“臭鼬工厂”成立，核心开发者只有6人。他们拿到的第一套实验模型是OpenAI调整参数后的版本，“还没有Davinci大”，投喂的只有一些Python代码，模型生成的函数通过率仅有10%。团队几乎尝试了所有能想到的UI，直到有人提出：为什么不能像Gmail的文本“自动补全”那样，让代码直接浮现在光标之后？这就是“Ghost Text”（幽灵文本）概念的诞生。2021年，GitHub Copilot正式发布，AI编程第一次进入大众视野。
第二阶段：意图革命（2023-2024）。AI编程从“补全一行代码”进化到“理解整个函数”。但真正的分水岭出现在2024年6月——Claude Sonnet 3.5发布。它不仅能续写代码，还能理解整个项目的上下文：模块之间的关系、架构决策、依赖链条。Cursor CEO Michael Truell在看到Sonnet 3.5的内部测试数据后，连夜飞到旧金山与Anthropic签了集成协议。
第三阶段：全民狂欢与“氛围编程”（2025）。2025年2月2日，Andrej Karpathy随手发出一条推文，在48小时内被浏览450万次；十个月后，这条推文里的“vibe coding”一词成为柯林斯英语词典2025年年度词汇。AI编程从小众极客群体破圈，成了全民运动。
第四阶段：智能体工程（2026至今）。2026年5月，Coding越过卢比孔河。大模型公司集体越过了“辅助工具”与“生产力主体”之间的界河。Agent不再只是“回答问题”，而是开始“执行任务”——读取整个代码库、理解项目结构、参与PR和审核流程。
2 从代码补全到Agentic Coding
AI编程的技术演进经历了三个阶段：基础代码补全（2021-2023）、多模态交互升级（2024-2025）、生态整合与模型融合（2026至今）。
Agentic Coding的核心差异在于：AI不再是一个被动的“自动补全插件”，而是一个具备环境感知、自主规划、工具调用与自我纠错能力的独立开发者。它具备项目级而非文件级/对话级的读写范围以及多工具多Agent调用能力。
2026年最值得关注的技术趋势是循环工程（Loop Engineering） 。Claude Code团队正式定义“循环”，拆出四种典型循环：回合制循环（人逐轮控制）、目标循环（评估器模型判定是否达标）、时间循环（按时间间隔触发）、主动循环（AI自主判断何时介入）。这背后的本质是：AI编程正在从“写一句话”变成“设计一套会自己跑的系统”。
多模型协作成为另一个关键范式。2026年3月30日，OpenAI发布了一个官方插件——不是给自己的产品，是给Claude Code。装好之后，开发者只需输入一条命令，就能让Claude负责管理任务、拆分需求、审核输出，而OpenAI自家的Codex负责动手写代码。到了6月，这套工作流演化为：Fable 5管，GPT-5.6-Sol写，Fable 5审。
3 谁在定义工作流的哪一层？
2026年AI大厂之间的竞争，已经不再是模型参数和跑分了，开发者体验和Agent能力成为了新贵。Claude Code在企业级编码Agent市场的占有率已达54%，稳居半壁江山。
Anthropic领先地位。Anthropic联合创始人Jared Kaplan主张把真实代码仓库里的数据——那些“脏”的、架构混乱的、带着隐藏漏洞的代码——作为编程训练的主要数据源。他在争论中说了一句后来被反复提起的话：“现实世界就是脏的。你要教一个士兵打仗，就让他到泥地里打滚。不要在体操房里给他发金牌。”这个决定让Anthropic的模型从一开始就被训练成处理那些“不干净”的东西。遗留系统的技术债、被十个前任维护者改得面目全非的模块、文档早已过期的依赖链条。
AI编程的价值，正在从“谁的模型更强”悄悄转向“谁的工具链更密”。OpenAI绕开了“让开发者二选一”的死胡同，转而问了一个更务实的问题：如果你的工作台已经钉在Claude上了，我能不能在你的工作台里，成为你默认的代码生成引擎？生成代码的能力被商品化了，管理工程的能力反而成了稀缺品。
4 从开发者到“数字员工”
软件开发仍是核心场景。到2026年中，一个经验丰富的开发者每周因为AI工具节省8-12小时的编码时间。Cursor的数据显示，开发者每周新增的代码量持续增加，每次提交的代码行数同比增长约2.5倍。AI生成的代码在被接受后60分钟仍然保留在代码库中的比例，从约76%上升到了81%。
企业级应用正在加速落地。在TCL实业软工中心，CodeBuddy已覆盖90%以上的研发工程师。奇富科技的技术领域需求交付效率提升65%，迭代周期缩短55%。字节跳动的TRAE团队超过90%的代码由AI写出，人均需求吞吐率提升了60%。谷歌内部近75%的新增代码由AI生成并由人类工程师审核通过。
编程能力的外溢。伴随AI编程工具从Copilot辅助升级到Agent自主模式，AI开始进入到企业工作流和办公场景，成为企业组织内部的“数字员工”。Codex的周活跃用户已经突破500万，越来越多的非IT人士将其用于报告、电子表格、PPT、研究和数据分析。正如Karpathy所揭示的，当AI能通过对话理解并生成代码时，它本质上已经掌握了将模糊意图转化为结构化产出的能力——这种能力可以从编程语言迁移到PPT制作、报表生成。
5 效率神话背后的真实挑战
效率提升是真实的。AI写代码的速度起码是人的十倍以上。在高度复杂的开放式工程问题上，Claude的成功率在2026年5月攀升至76%，在短短半年内增加了50个百分点。AI Coding任务成功率从不足5%飙升至88%，代码生成、自测迭代的闭环已经跑通。
生产力范式正在被重构。软件开发正在从“人主导、AI辅助”，转向“人设定目标、AI执行流程”。懂架构、会拆任务、能判断模型输出质量的开发者，会把AI变成杠杆。
效率与质量的落差。字节跳动的实践揭示了一个反常识的真相：当九成代码都由AI产出时，人均需求吞吐率只提升了60%。过度看重单一的代码贡献率，反而让团队没找到全局优化的方法。
代码质量隐患。AI写出的代码在局部合理，却难以维持整体结构和长期可维护性。AI生成的代码由于其冗余、高耦合和低可读性的倾向，往往本身就是高利息的“债务”。GitClear的研究发现，随着AI编程工具的普及，代码重复率已从2020年的约3.3%上升至7.1%。
审查能力跟不上生成速度。AI太会写代码，人类已经审不过来了。AI并不真正理解业务的上下文、系统的长期演进目标和技术债的代价。AI Coding最大的风险，不是它写不出代码，而是它可以快速写出大量没人真正理解的代码。
成本问题。过去用户用Copilot，一次只消耗几十个Token；现在，用户开启Agent模式，开始让AI自动阅读关联文件、自动在沙箱里跑测试。Token消耗呈指数级增长。
6 IDE成为可选项，开发者角色重塑
Gartner预测，到2027年，超过65%使用智能体编码的工程团队将把IDE视为可选项，控制权、治理和验证将转移到自动化平台。
从“写代码的人”到“设计系统的人” 。程序员正在从写内容的人，变成设计系统的人。未来行业核心竞争力不再是基础执行能力，而是创意判断与审美塑造能力。到2026年，预计60%以上的新系统开发将采用AI编程技术，开发人员角色将向“AI训练师”和“架构设计师”转型。
多智能体协作成为主流。2026年，开发模式将转向由多个代理组成的协作团队，用以应对单一代理难以胜任的高复杂度工作。Anthropic的报告指出，四个领域需要立即关注：掌握多智能体协调、通过AI自动化审查扩展人-Agent监督、将智能体编码扩展到工程团队之外、从最早阶段嵌入安全架构。
从Coding到Anything。AI编程正在从“代码生成”走向“任务执行”的更广阔领域。浦江实验室首席科学家周伯文认为，“研究”将是下一个Coding——AI在科学研究领域的表现依然不佳，这片“冷”的领域正是未来的机遇所在。
Agent不仅能辅助人类，它能在真实环境中接管任务、交付结果。
生成代码的能力正在被商品化，管理工程的能力反而成了稀缺品。
这是一场关于“谁定义了工作流的哪一层”的战争。
