从“会写代码”到“可规模化交付”的Coding Agent落地建设
现就职于腾讯音乐娱乐集团,长期从事研发效能、AI Coding 与智能体工程化实践,关注大模型在真实软件研发流程中的规模化落地。主导和深度参与企业级研发智能体 Modus 的建设,将代码知识图谱、规格驱动开发、工程方法论、需求澄清、质量门禁及多平台 Agent 能力整合为可审计的研发闭环;同时推动业务知识库、代码知识库、反馈更新机制与 Benchmark 评测体系在真实业务需求中试点。实践重点不是单点代码生成,而是通过知识、流程、测试与评测协同,持续提升交付完成度、稳定性和组织可复制性,并积累了跨产品、开发、测试协同推进 AI 研效落地的实践经验。
议题背景:
AI 编程工具已经具备较强的代码生成能力,但在真实企业研发中,制约规模化提效的往往不是模型本身,而是项目知识缺失、需求上下文断裂、交付流程不可控以及效果无法度量。本次分享结合企业内部 Coding Agent 实践,介绍如何构建面向人的业务知识库与面向 Agent 的代码知识库,如何以需求单串联澄清、设计、开发、测试和评审,并通过反馈回刷、Benchmark 与研效指标建立可持续优化闭环。
内容大纲:
1. AI Coding 从个人提效走向工程提效的关键断点
1.1 代码生成能力不等于真实需求交付能力
1.2 知识、上下文、流程与评测的四类断点
1.3 简单需求直通与复杂需求治理的边界
2. 双知识库:同时服务人和 Agent
2.1 面向产品与开发的业务知识库
2.2 面向机器推理的 Domain、Module 与代码证据
2.3 业务规则、代码事实与目标需求的权威边界
3. 以需求为基石的 Agent 研发闭环
3.1 从需求澄清、设计和计划到开发、测试与 CR
3.2 产物流转、质量门禁与可恢复执行
3.3 多平台 Agent 的统一能力与上下文组织
4. 知识反馈与持续更新机制
4.1 从 Agent/Web 对话采集带证据的反馈事件
4.2 业务知识、代码事实、提示词与代码缺陷的分流
4.3 去重幂等、版本发布与回归验证
5. 如何评测 AI 研发提效
5.1 四组对照 Benchmark:模型、方法、流程与知识增益
5.2 完成度、质量、时间、Token、人工介入与稳定性
5.3 连接 AI 单测、AICR 与静态质量扫描的长期研效度量
听众受益:
1. 获得一套从个人 AI Coding 走向团队级工程提效的判断框架;
2. 理解业务知识库与代码知识库的分工、交集及更新方式;
3. 掌握以需求为基石串联澄清、设计、开发、测试和评审的落地方法;
4. 学会设计控制变量的 Coding Agent Benchmark,量化知识库和工程流程的独立增益;
5. 了解企业试点中产品、开发、测试协作的真实问题与推进策略。