本文整理自 AICon 深圳直播《你真的驾驭好 AI Coding 了吗》，通过AI音视频转录总结工具 Ai好记 视频转文字整理，以下为精炼整理后的会议笔记内容。
过去几年AI Coding发展飞快，从代码补全到代码生成，再到具备任务拆解与自主执行能力的Agent，AI正越来越深入地参与到整个软件研发流程里。
但让AI写代码已经不是难事，难的是让AI理解团队的业务与代码上下文、保证生成代码符合架构规范、在复杂项目里保持稳定可维护，以及让整个团队形成一套可复制的AI开发流程。
这场直播邀请了网易游戏、网龙网络、平凯数据库TiDB、汇丰科技的四位一线专家，围绕AI Coding规模化落地展开圆桌讨论，核心问题就一个：AI Coding进入团队后，如何真正驾驭Agent。
AI Coding进入生产环境后，最大的变化是什么
这次直播的第一个话题，是AI Coding真正进入生产环境后，最大的变化到底是什么。三位嘉宾从金融、互联网、游戏三个不同行业，给出了各自的观察。
1、从新功能到遗留代码改造
平凯数据库TiDB的柏佳辰观察到，过去做Coding更多是新功能开发，但到了金融这类成熟客户那里，Legacy代码的改造反而成了更大的需求。
金融企业流程里有很多需要不同人去审批、去Review的环节，这对AI Coding的产品形态和范式提出了更细致、更复杂的要求。
组织协同的问题也会从产品层面暴露出来，不同人对AI工具的熟练度、适配性、实践方式都不一致，这些差异落在产品上就成了实实在在的缺陷。
2、效率的分化，比提升本身更值得警惕
汇丰科技的李渭宁从三个维度给了观察。
需求层面，AI来了并没有减少人，汇丰的业务需求反而大幅增加，最近还在大规模招人。在他看来，AI的意义不是替代，而是更快地赋能业务。
效率层面，DORA指标确实有所改善，但很难论证一定来自AI Coding。
最值得警惕的分化出现了：技术功底好、认知够、设计能力强的人，用了AI Coding效率成倍提升；但有些同事用了之后反而造成很多混乱，代码写完还得回头改。
Token层面，今年6月以后GitHub Copilot等工具全面转向Token计费，每人每月500美金的预算，实际只有1%到2%的人用光，大部分人只用到两到三成。
原因也简单，金融行业做软件是精修，很少推翻重来，也就不怎么烧Token。
3、游戏行业的激进玩法与端到端卡点
网龙网络的陈洁带来另一种打法。
规范模式围绕Cloud Code、CodeDes、Man三个Coding Agent角色，从需求设计到技术调研到架构再到详细设计，流程规范但偏长。
而他自己带的团队更激进，控制端清一色从Auto Mode变成了Pass Permission，跟AI说得最多的话是「你不要问我，往前写」。
不关注过程之后，关注点就落到End to End上。团队里接近60%的QA同学被转成开发，只留两个QA负责端到端业务测试，卡点变成了怎样当好QA角色、做好测试。
在他看来，代码只是过程产物，真正要做的是保证产品的功能不失控。
MCP、Skill、Rules到底解决了什么
有了Agent之后，CP、Skill、Rules这些概念陆续被提出来。它们是换汤不换药的工具体系，还是真改变了AI与工程系统的交互方式？三位嘉宾从不同角度拆了这个问题。
1、CP是固定范式，Skill是按需加载，Rules是护栏
TiDB的柏佳辰做了框架性梳理。CP是最早出现的范式，本质是自建的一层Calling机制，但CP Tools的范式很固定，工具不能太多。Skill本质是Lazy Loading，先把最基本的Metadata载入，再按需加载，问题在于Skill bundle一多就容易到上百个，缺乏治理。Rules则是给Skill铺好的路加上护栏。
单独用的局限很清楚：一个Agent塞太多技能和工具就会混乱。他的解法是Multi-Agent分而治之，让不同的智能体各司其职，前端做前端、后端做后端、需求评审做需求评审，协同下来质量更高、任务更明确。
2、金融行业的审慎与游戏行业的激进
汇丰的李渭宁目标始终是两个：AI的动态可规划性和输出可控性。CP在金融用得很少，只用在内部知识库和项目管理上，卡点在数据权限，什么样的数据AI能消费。
Skill主要集中在开发环节，把团队的开发规范、工作流、自动化包装成Skill复用好。Rules则用来规范发挥不稳定的AI，给边界和规约。
网龙的陈洁在SkillHub上做治理，个人Skill和公司平台复用结合，外部接口还要过安全Gateway，每个节点交接前做敏感信息评估。他个人开发时会把Cloud文件控制在130行以内，分层分块抽象，用Lazy Load空出Token，核心目标就是抑制AI幻觉和多轮之后的指令漂移。
AI时代怎么保障质量，从纺锤型到哑铃型
速度上去了，质量怎么守？传统质量指标没变，但保障的重心和手段变了。
1、传统体系强化工程护栏
汇丰的原则是质量体系不变，单元测试通过率、覆盖率、生产发布频次、事故分级这些照旧。要变的是给AI加工程护栏：输入输出规范沿用User Story结构，依赖管控严格，只能从内部仓库下载，一旦依赖包有漏洞立刻封禁，CI/CD每个环节设checkpoint，过了才能往下走。
2、覆盖率变高，质量却可能变低
TiDB的柏佳辰点出理想与现实的背离。理想中人的精力应该呈哑铃型，前面重视需求定义，后面重视测试验证，中间让Agent去写。但现实里AI Coding写出来的工程代码覆盖率更高，质量却更低。
背离有三层。第一层，AI挺有写好习惯，但写的全是happy case，很少主动写edge case。第二层，组件写对了，放在整体架构里却是错的。第三层，Spec很难反映真实需求，因为产品迭代太快，需求本身在漂移。
3、代码不是目的，功能不失控才是
网龙的陈洁更关注端到端。自研的Spec系统用维护性更好的脚本语言替代Markdown，区分Greenfield和Brownfield两种模式，通过Issue日志做过程追溯，让程序员判断哪些更新回传知识库。AI Testing方面，中台500多个回归测试case，已经有280个由AI自主实施。核心逻辑是：代码只是过程产物，保证产品功能不失控才是第一性原理。
AI Agent的权限边界怎么设计
Agent从辅助工具变成执行者，权限给多给少成了绕不开的问题。激进与保守两种思路并存。
1、是数字分身还是普通身份
TiDB的柏佳辰抛出对比。激进视角认为Agent既然是未来的操作系统，就该是数字分身，拥有所有资料和权限。
保守视角则认为给root太危险，Scope本身也是权限机制，缺乏治理体系的Agent可能把当前模块做对了、却把别的东西碰坏了。
汇丰的李渭宁主张渐进式放开。
把每个AI当成一个需要定义身份边界的实体，一开始放进沙箱验证，机制成熟后再放出来以既定身份做事。权限在前端、后端、数据库、网络层级层层控制，就算乱来也不至于出大事。
2、最大权限与强约束并存
网龙的陈洁是典型的激进派，控制台清一色Pass Permission，但严格领域毫不含糊：数据库表结构变更、生产环境权限全部拿掉，审批与可追溯性必须到位。
可以把AI当伙伴给最大权限，但关键操作要严格把控。
他还分享了一个真实案例：AI建议建立双向网络隧道，他一下就警觉了，因为公司安全规定严格控制这类行为。应对办法是把安全手册下载到本地，让AI阅读并做成强制约束。
AI-native研发体系，优先建设什么
直播的最后，三位嘉宾讨论如果要重构一套AI-native研发体系，应该优先建设什么能力。
1、网龙：知识体系、评测门禁、AI治理
陈洁给出五大优先事项。
- 第一是知识体系，只有保证知识体系正确，输入给AI的信息才对，这是抑制幻觉的基础。
- 第二是评测门禁，AI输出不完全可控，必须通过评测发现哪个环节有问题。
- 第三是AI治理，Skill调用频次监控，3个月零次调用就迁移归档。
- 第四是工作流智能化，通过自然语言对话让AI帮人构建工作流。
- 第五是Token效能优化，关注Token利用率和工具调用次数。
2、TiDB：改变人，拥有与机器对话的能力
柏佳辰直言，最重要的是改变人，让人拥有和机器对话的能力。
AI Coding时代要求的，不再是掌握SQL语言、做类型体操、算法或数据结构，而是能否有效执行、有没有大局观念、能不能以产品或架构师的角度把整个项目构建起来。
前端后端的职责分野在消失，要的关键是表达全栈式需求，剩下的事交给AI Coding解决。
3、汇丰：流程管控为先
李渭宁类比汽车行业从手工生产到流水线自动化，第一个想到的就是流程管控，6σ、计算机辅助等方法让过程可见、可控、可提升。
AI Coding也是一样，玩法在变、人也在不断适配、工具也在变化，最终要形成一套AI时代工程师的framework和工具集。
观众问答精选
组织架构的变革，几位嘉宾判断目前还没有在大的范围内真正发生实质改变，但变革动力一定是自下而上的，当某种工具或形态大规模应用并获得足够信任后，组织架构墙自然会被推倒，如同福特引入流水线由利润驱动变成新范式。
关于面试AI架构师，李渭宁看重通用素养与持续学习，陈洁则关注两点：Cloud Code的insight指令使用，看你能否把本地执行日志和输入输出做replay；以及上下文压缩机制，看你怎么处理多轮复杂任务后的指令漂移、保证指令遵循性。
常见问题FAQ
Q：AI Coding进入生产后，最大的变化是什么？ 从新功能开发转向遗留代码改造，同时暴露出组织协同、流程适配、人员熟练度差异等问题，写代码不再是难点，难点在让AI理解业务上下文并符合架构规范。
Q：MCP、Skill、Rules是什么关系？ CP是连接外部世界的固定范式工具集，Skill实现按需加载与复用，Rules为行为设定边界护栏。三者共同治理上下文和确保输出可控，但单一Agent塞太多会混乱，多智能体协同是更好的落地范式。
Q：AI生成代码覆盖率变高了，为什么质量还可能变低？ 因为AI写的多是happy case、缺少edge case，组件对但架构错，Spec又难反映真实需求，所以覆盖率与质量并不总成正比，需要端到端测试和工程护栏兜底。
Q：Agent的权限该给多还是给少？ 激进派主张给最大权限（视作数字分身），保守派主张纳入现有权限矩阵、沙箱验证、渐进式放开。共识是高风险操作严格管控、全链路日志可追溯，具体尺度按风险分级定。
Q：重构AI-native研发体系，最该优先建设什么？ 优先建设正确的知识体系（抑制幻觉的基础），其次是评测门禁发现短板，然后是技能治理、工作流自动化和Token效能优化，同时培养人与机器对话的能力。
以上内容由 Ai好记转录整理。 Ai好记是一款支持音视频转图文笔记的AI知识库工具，支持B站、小红书、抖音、小宇宙等平台链接及本地音视频文件解析，视频转文字后自动生成精华速览、思维导图和结构化图文笔记，帮助你把几小时的视频内容变成可搜索、可复习的图文笔记。
