从“会用”到“驾驭”：AI Coding 进入生产环境的真实碰撞

过去几年，AI Coding 快速发展，从代码补全、代码生成，到现在具备任务拆解和自主执行能力的 Coding Agent，AI 正在越来越深入地参与软件研发流程。那么，如何让AI Coding 从“个人外挂”变成团队生产力？如何保证代码质量，构建可控、可复用、可持续演进的 Agent 工程路径？ 近日，InfoQ《极客有约》X AICon直播栏目特别邀请网易游戏高级技术经理林香鑫担任主持人，和网龙网络资深技术总监陈洁、柏佳辰平凯数据库（TiDB） /智能研发中心负责人、汇丰科技内部开源负责人李渭宁一起，在 AICon 全球人工智能开发与应用大会 "2026深圳站 即将召开之际，共同探讨 Coding Agent 如何重构需求分析、代码审查、运维排障等软件工程环节。 部分精彩观点如下： AI 来了并不是说需要减少人，而是可以更快地赋能业务，让产品和服务做得更好。每个开发都变成 “QA”，关注 End2End。开发人员正在承担更多质量责任：不再把逐行人工审查作为默认方式，而以风险分级审查、自动化门禁和端到端验收为主，把需求、完成条件和最终结果讲清楚、验到位。代码质量从最开始的纺锤形变成哑铃形，AI Coding agent 更像是自然语言的编译器，我们更在意的是前面的 SPEC 和后边的 testing。在可逆、低爆炸半径且可追溯的隔离环境内，可以按任务范围给 Agent 完成任务所需的最小充分权限；数据库结构变更、生产环境操作、外部网络访问等高风险动作必须严格收紧权限或设置人工门禁。每个 Agent 都有身份标识，操作日志可追溯，新的安全风险也要持续纳入治理。没有绝对的安全，没有安全能一劳永逸，都是发现问题快速亡羊补牢。 在 8月 21-22 日将于深圳举办的 AICon 全球人工智能开发与应用大会 "2026深圳站上，我们特别设置了【 AI 原生新范式：Coding Agent 重构软件研发全流程 "】专题。该专题将围绕 AI 原生研发的技术演进与工程实践展开，重点关注研发Agent的能力边界、工程化落地、质量与安全保障，以及 AI 驱动的软件生产方式如何提升研发效率、降低交付成本，并推动组织研发模式升级。查看大会日程解锁更多精彩内容：https://aicon.infoq.cn/2026/shenzhen/track 以下内容基于直播速记整理，经InfoQ删减。 完整直播回放可查看：https://www.infoq.cn/video/8FaZW1Rx2ffsrru6QYdw?utm_source=home_video&utm_medium=article 从“会用 AI Coding”到“驾驭 AI Coding” 林香鑫： 从大家目前的实践和观察来看，AI Coding 真正进入生产环境后，最大的变化是什么？ 柏佳辰： 我们的 AI Coding 产品进入到实际的客户实践，尤其是金融客户实践比较多以后，发现两点。一是遗留代码改造比新功能开发需求更大；二是金融等行业既有企业客户对 AI Coding 流程自动化的适配性，和创业团队、互联网公司不太一样，他们往往有很多需要人去审批的不同阶段，不同的人需要去审批和 review，这对 AI Coding 的产品和范式都提出了更细致、更复杂的需求。第三，我们开发者和早期试用者对 AI Coding 范式亲和性很高，很多实际问题没暴露。但一旦落到金融等行业客户那，组织层面的协同问题就出来了，不同人对 AI 工具的适配性、熟练度、实践是否一致，都会通过产品层暴露出来。 李渭宁：第一个从需求方面，我们以为 AI 会取代人，但实际上，业务需求是大幅增加的，最近也在大规模招人。AI 来了并不是说需要减少人，而是可以更快地赋能业务，让产品和服务做得更好。 第二个从效率层面，我们一直以来衡量生产效率主要看 Dora Metrics，看每人每年发布了多少个 release，生产事故有多少。从去年前年引入 AI Coding，去年开始大规模应用，Dora Metrics 上看有所改善，但也没办法直接证明是 AI Coding 带来的。个人层面分化很明显：技术功底好、认知够、设计能力强的人，AI 来了之后真的是成倍增加效率，但有些同事用了 AI Coding 之后反而造成了很多混乱。 第三个从 token 的使用来说。去年 token 这件事还摆不上台面，以前 GitHub Copilot 都是订阅式的，按月收费。但从今年 6 月 1 号以后，全部转成了 token 消费，这个就突然浮现在台面上了。我们现在每人每月大概几百美金预算，只有少部分人用光了这部分预算。一个重要原因跟金融行业有关系，金融行业做软件都是做精修的，很少说重建一个系统、把原来东西推翻重新再来。金融系统往往希望建一个系统就能够持续迭代十几年，所以 token 的使用情况也反映了这一点。 陈洁： 第一种是我们已经给研发团队推广的一套 AI Coding 与 AI Testing 工作流。它围绕 Claude Code、CodeX 和 Gemini CLI等 Coding Agent 工具，结合 Superpowers 与研发方法，覆盖需求设计、技术调研、架构设计、详细设计和实现的常规解决方案。大家普遍反馈流程规范，实施细节可以更多交给 Agent，但链路较长。这套方式更适合业务相对稳定、对 AI Coding 接受度仍在提升的团队，属于 Agent 协作、人工主控的模式。 第二种是我直接带的团队，更接近 YOLO Mode。 我们承担的职责更多是 Pilot Team，验证更激进的 AI Coding。我发现，在部分受控开发场景中，团队成员会主动从 Auto Mode 切换到 Bypass Permissions；这是团队的使用选择，不是产品权限模式的默认演进。若每个环节都依赖人工逐项审批，流程会很长，因此我们会先明确目标和边界，再让 Agent 持续执行。需要强调的是，Bypass Permissions 会跳过权限提示和安全检查，不能把它当作通用安全模式。按 Anthropic 当前官方说明，要达到其建议的安全边界，该模式只应在与主机、敏感数据和生产资源隔离、默认无互联网访问的容器、虚拟机或 dev container 中使用；联网、数据库结构变更、生产操作等高风险动作应退出该模式，并走权限控制或人工门禁。在这种迭代式 Agent 执行闭环（业内也称 Loop Engineering）中，我们不再把逐行审查作为默认方式，而是实行风险分级审查，并强化自动化门禁和端到端验收。开发人员也因此更多承担质量责任：把需求讲清楚，设计可验证的完成条件，再检查最终结果。过去端到端质量更多由 QA 兜底，现在开发人员必须补足测试设计能力。复杂场景还需要显式编排任务依赖、分支、并行执行和状态流转。 MCP、Skills、Rules 到底解决什么问题？ 林香鑫：最近一年 MCP、Skills、Rules 这些概念非常火。但很多人也有疑问：这些东西只是增加了一套新工具体系，还是真正改变了 AI 和工程系统交互的方式？想请几位老师结合实践分享，这些能力在真实研发过程中解决了哪些问题？ 陈洁： 这个问题在我们这里很有