Qoder 负责人亲自揭晓：Qoder 产品背后的思考与未来发展，你绝对不想错过！

各位开发者们，大家好！今天我很高兴能和大家聊聊 Qoder。它是阿里巴巴新推出的 Agentic 编程平台，刚上线一个月就吸引了数十万用户，真心感谢大家的支持。

借着云栖大会的机会，我想和大家深入探讨一下 Qoder 的定位、思路和发展历程，希望通过这个产品能引领 Agentic Coding 的新潮流。

如今，AI 编程已经成为软件开发的必然选择。根据行业调查，目前全球有超过62%的开发者正在使用 AI 编程工具，他们的研发效率提升了30%以上。更有一些开发者的效率提升超过了50%。不过，全球各地的 AI 编程使用情况差异很大，30%的中国开发者已经在使用这些工具，而中国市场在这一领域还有很大的发展空间。

那么，阿里为何会在 Agentic Coding 方面加大投入呢？这和早期的辅助编程有什么区别呢？我们从模型的使用趋势可以看出一些端倪。

首先，Anthropic 发布了全球用户对 Claude 模型的使用情况，显示开发者们正以更自动化的方式使用大模型，这意味着他们更愿意将完整的任务交给模型，而不仅仅是进行简单的知识问答。

其次，GPT的报告指出，开发者在实际使用中，基于任务执行的比例最高，说明用户开始更多依赖智能体完成完整的任务，而不仅仅是过去那种知识检索。这说明用户对模型的能力已经建立了信任，能更好地解决复杂的任务。

目前，大模型的能力正在迅速提升，这也为 AI 编程产品带来了更多的可能性。

此外，AI 编程的应用场景也在不断拓展，从最初的对话到代码补全，再到完成任务和功能开发，现在已经涵盖了整个软件生命周期，包括开发、测试、验证，甚至报告撰写和工具调用，处理能力越来越强，任务的复杂度也在增加。

在这个阶段，AI 编程的发展前景非常广阔，给开发者带来的效率提升显而易见，它不仅仅是代码补全，而是真正成为了人类的助手和伙伴。

因此，我们认为当今的 AI 编程可以分为三个阶段，而这三个阶段往往是并行存在的。

第一个阶段是大语言模型与代码助手的结合，也就是辅助编程阶段。在这一阶段，开发者仍然自己控制代码，自己编写，编程助手则提供提示和补全，帮助程序员完成代码书写。这个阶段人仍然是主导，效率一般提升在30%左右，目前很多开发者都处于这个阶段。

第二个阶段是预计在2024至2025年间会成为主流的协同编程。人们通过自然语言而非代码向 AI 提出需求，然后将代码作为上下文交给大语言模型，后者接着根据指令批量编辑多个代码文件，从而产生大量代码，并能调用工具执行多种操作。协同编程大幅提升了人类研发的效率，平均提升幅度可达100%。

今天我们所提到的 Vibe Coding 实际上也在这个协同编程的范畴内。各种角色如产品经理、设计师、自媒体博主和运营人员等，能够通过语言描述自己的想法，以对话的方式生成代码，最终实现需求。

当前，我们正迈入第三个阶段，也就是2025年后兴起的自主编程。AI的能力已经提升到可以长时间执行复杂任务，并能端到端交付完整结果，这时不再需要人工监督，也无需实时互动，而是让 AI 完全自主进行编程。人们不仅能将任务委派给 AI，还可以同时将多个任务分配给不同的智能体，从而极大释放生产力，效率提升可达1到10倍。

这其实就像是在管理一个团队，用户通过管理不同数量的智能体并行处理开发任务，智能体就好比是我们的数字员工，这将是我们认为未来研发的主流模式。

Qoder的产品定位

Qoder的定位与未来发展

让我们聊聊Qoder的定位吧。现在行业里流行的Vibe Coding发展得如火如荼，但你会发现大部分开发者的日常工作还是在进行存量工程。说白了，开发者不可能每天都在创造新系统，因为那些老系统的生命周期很长，而且它们都具有商业价值。其实，用户创造的新系统只是其中的一部分，更多的时间是在维护和演进已有的系统。我们把这些系统称为“真实软件”，也就是那些在商业中真正产生价值、并需要长期维护的系统。

真实软件其实是个宝贵的资源，因为它们正不断创造价值，不过维护这些软件的需求却常常被忽视。因此，Qoder的目标就是为构建真实软件提供服务。

随着软件和服务的不断发展，代码已经是最新的了，但大家都知道，写出来的文档往往很快就过时。虽然大家都在维护代码，但很少有人能把文档和代码同步更新，大家往往不把文档放在第一位。因此，文档和代码之间形成了脱节。相信很多开发者都有这种体会，代码才是最准确、最及时的资产。不过，要想维持一个系统，文档又是必不可少的，问题来了，这些文档到底该由谁来维护，放在哪里呢？

Qoder Repo Wiki正好解决了这个痛点。我们通过代码库自动生成文档，定义这个功能为Repo Wiki。这个Wiki是最即时的，因为一旦代码有了修改，文档也会随之更新。通过代码和提交历史，我们可以反推所有的设计思路、架构、技术栈、时序关系和接口描述等内容，这些都是最精准的。这也是Repo Wiki背后的设计理念——将隐性知识显性化。

RepoWiki目前可以支持单个库生成1万个文件的Wiki，它减轻了人类的认知负担，也降低了AI在理解工程过程中的消耗。这个功能可以提前生成、共享和导出，因此受到了开发者的热烈欢迎。

Wiki在很多场景中都能派上用场，包括人与人之间的沟通、同步、交接和协作。与AI之间的认知也需要借助Wiki来对齐。我们提到的上下文工程，就是为了给大型语言模型提供更准确的上下文信息。光有代码是远远不够的，因此Wiki作为上下文的一部分，可以帮助AI更好地理解整个代码库，而不是在推理时再去理解，这样效率就低了。所以，我们把这项工作提前进行，这也是Repo Wiki在解决隐性知识方面的贡献。

再者，很多重复繁琐的编码工作占据了程序员大部分时间，导致他们在需求洞察、意图识别和设计文档整理上投入的精力不足，这其实是行业现状。很多时候，开发者完成的工作还需要返工。我们希望未来的开发者能够把更多精力放在设计、需求分析、系统设计、约束设定和逻辑关系的编排上，把这些内容转化为自然语言，并翻译成代码，让AI来实现。因为AI完全有能力基于这些内容生成更精准、更确定的代码，这样人的工作就会更轻松，系统的返工率也会降低。

此外，过去人和AI的协作方式受限于人的时间和精力，开发者一直在提问、输入信息并校对，形成一种同步的互动模式。这种方式无法释放出更大的生产力，因为人下班了，AI也就“下班”了。但是我们知道，软件最大的优势就是能够无人值守地长时间运行，支持多并发、异步和海量的任务运行。那我们该如何释放这一部分价值呢？这也是我们在产品实践过程中一直在思考的问题。

Qoder给出的解决方案就是基于规范驱动的开发。大语言模型已经具备长时间异步运行的能力，可以调用多个智能工具来解决复杂任务。然而，这里的挑战在于开发者需要将需求描述得非常清晰，只有这样，AI才能够直接自主执行。

让智能更智能：Qoder的开发新模式

所以我们引入了一个新的概念，叫做“规范驱动”，这意味着我们先得把需求写得清清楚楚，然后再让AI来实现。这样的话，开发过程中就不需要太多来回沟通，AI能够更长时间地运行，交付出更高质量的结果。而且，如果大家觉得写规范这一步太有挑战性，我们可以让AI来帮忙完成这个过程，这样人们可以更专注于自己的想法，AI再去完善。

在Qoder中，提升上下文工程的能力是我们的基石。如今，想要好好利用大语言模型，上下文工程是非常关键的内容。Qoder不仅提升了对工程的理解和检索能力，特别是在真实软件和复杂工程方面，许多产品还没能很好地解决这些问题，而Qoder在这方面的准备则显得更加充分。通过个性化的上下文和记忆整理，AI在编程过程中能更好地理解用户的习惯和偏好，这样生成的结果就更符合用户的期待，因此我们会持续投入来增强上下文能力。

Agent模式：对话驱动的智能体协作

智能体模式让我们能通过对话与用户实时合作，这可是个主流功能哦。通过构建工具，联合优化模型，深入理解工程和工具运用，能大规模生成上下文感知的精准代码，完成大部分任务。我们的代码检索引擎可以一次性检索10万个代码文件，Qoder在理解大型工程的能力上已经走在行业前列。

随着任务的增多，很多大语言模型在执行时可能会跳过一些步骤。Qoder针对这个问题提供了很好的解决方案，我们会先进行自主规划，然后建立一个待办事项清单，让大语言模型在执行过程中不断回头核对是否按照这个清单走。这样一来，任务执行的确定性就提高了，确保结构化和白盒化，能长时间保持方向不偏离，同时结果的准确性也得到了保障。

通过Agent模式构建了强大的智能体能力，想象的空间也因此被打开。在实际使用中，智能体能通过实时配对的方式进行更广泛的委派工作。结合之前说的规范驱动，当用户制定了很棒的规范后，就可以把任务委托给智能体，它能够持续执行，这样便产生了任务委派模式，可以实现异步的工作方法。

Quest模式：AI自主研发的新方式

当用户清晰表达意图后，就可以把任务交给智能体，这就形成了我们的Quest模式。Quest模式是规范驱动下的AI自主编程，这也是Qoder非常受欢迎的一个创新功能。

规范是开发者最熟悉的意图表达方式，用户只需确认整体意图，Quest模式就能生成规范。如果开发者对这个规范满意，就可以启动Quest执行，执行过程中还会进行校验。用户可以随时干预和确认整个执行流程，最终确认结果，或者完全交给AI自主完成。

由此，异步委派的工作方式渐渐形成，流程是先写规范、执行可视化管理，最后生成任务报告，基本上实现了端到端的工作任务委派，感觉就像带着实习生一起完成任务一样。

Quest模式擅长的是什么呢？它特别适合做异步的长期研发任务，能够独立完成。比如交付新功能、自动修复缺陷、系统大规模重构等，还包括批量任务的自动化。我们常常会看到新闻说大语言模型可以长时间运行，比如能连续工作七个小时。你想想，什么样的任务能持续这么久？要想让AI长时间运行，产生令人满意的结果，关键是要通过规范驱动，这样才能实现生产力的提升。

就这样，我们建立了更强大的智能体，以及驱动大语言模型长时间工作的能力，这样不仅可以打破时间和空间的限制，还能更大程度地释放生产力。

首先，AI能够自主编程，并且能够持续不断地工作。你可千万别在本地的电脑上搞这些事情，最好是把它放到云端上。云端的优势可多了，既可以根据需求进行扩展，又不受时间和空间的限制，开发的过程会更加灵活。

第二，得有一个优秀的云端沙箱。这个沙箱能模拟出一个安全的环境，方便快速启动和停止。通过这个云端沙箱，研发的工作可以并行进行，空间的局限性就被打破了。更妙的是，程序员即使下班或休假，工作依然可以继续进行。即使你不想干，智能体也能接着做，而它可以持续工作。

第三，智能体的应用无处不在。我们希望无论是IDE、插件、命令行还是其他集成方式，智能体的功能都能以多种形式展现出来。只有这样才能在不同场合触发工作、管理任务、进行验收，从而释放出更多的生产力，甚至实现几倍到十倍的效率提升。

为什么不可以更多呢？因为还是得有人来协调整体工作，比如意图识别、需求设计、文档编写和确认等，这些是AI无法替代的。我们提到的“无处不在的智能编程”理念，借助沙箱和云端智能体，可以让智能体在开发者需要的任何地方发挥作用，比如在IDE、命令行、浏览器、手机等各种平台上，包括GitHub、GitLab等合作研发平台，甚至是Zoom、钉钉等办公软件。这样就能实现多点触发和多场景覆盖，让更多开发者都能参与进来。

此外，借助CLI命令行的方式，我们可以更广泛地进行集成。很多IDE其实都是基于VS Code进行二次开发的，但并不是所有开发者都在使用VS Code。我们希望通过CLI的方式能满足这些不同的需求，因为后端的所有功能都可以通过CLI来开放，从而实现更广泛的应用。

今天我很高兴介绍一下Quest Remote模式，它能把Spec驱动的Quest任务像发邮件一样发送到云端，让云端在长时间内运行，确保开发环境顺利拉起，完成研发任务。

在云端，我们可以高效调度沙箱，且这些资源不需要额外支付费用。任务完成后，AI能够自动将成果反馈到本地，方便开发者进行验收、确认和合并。

不久后，我们也将推出Qoder CLI，把Qoder的智能带到每个终端。刚才提到的很多终端其实还未覆盖到，通过CLI可以弥补这个空白。对于熟悉命令行的开发者，追求极致效率的用户，想保持灵活性和可控性的场景都可以通过CLI实现。

Qoder CLI依赖轻量且可扩展的架构，包含Agent的设计，能够在低资源消耗的情况下，完成自定义插件、命令和子代理的功能协作，助力完成开发任务。它的特色功能支持流水线式集成，广泛触达开发者，让他们在任何想要的地方都能使用智能体。

Qoder技术优势

接下来，我想跟大家聊聊Qoder技术设计和它的优势。我们主要聚焦于以下三个方面的技术优势：第一是为软件工程提供更强的上下文支持，这包括Wiki、记忆、工程的嵌入和向量化检索等。我们通过多种形式的组合，力求以最精准、高效的方式构建上下文，实现理想的结果，同时减少执行步骤，帮助大家更快完成任务，从而强化工程的上下文感知。

第二是专为AI自主编程打造的智能体。我们对整个过程进行了精细化调整，包括规划能力、待办事项、技术设计、代码生成、自主测试和结果验收等多个环节都得到了增强，因此Qoder的智能体在长时间任务完成中的表现相当出色。

第三，Qoder整合了全球最优秀的模型。不少开发者会问，为什么不让大家自己选择模型？其实我们考虑到，模型的选择需要开发者了解每种模型的特性，并判断在什么任务和场景下使用哪种模型。而且，一旦切换模型，对话流也需要相应调整，这涉及到对话流级别的切换。

未来编程：AI助力开发者的新纪元

Qoder其实是把各种优秀的模型整合在一起，针对不同的任务，比如NES、代码补全、聊天、自主编程、Wiki生成和向量检索，精心挑选了各种模型组合，目的是为了实现更好的效果。我们坚信，机器选择模型的速度和质量都优于人类，能够让开发过程更高效、更省心，也欢迎大家来比较一下。

谈到Qoder的新技术架构，确实有一些难点和突破：

• 实时追踪开发者的代码编辑行为，依靠我们自研的代码补全和NES模型，能在几百毫秒内精准推荐代码片段。
• 面对十万个代码文件的大工程，我们可以迅速完成全量索引，同时结合RepoWiki知识和代码图谱，做到精确检索。
• 通过分析对话历史、技术设计和人类标注，我们提取项目中的知识、经验教训和个人偏好，记忆的有效率超过80%，让智能体能够快速、准确地理解开发者的需求。
• 借助远程沙箱技术和多智能体协作，我们能轻松应对数十分钟甚至数小时的复杂任务，实现AI的异步工作模式。

AI Coding的落地一直面临着不少挑战，开发者们对此也心知肚明。这是一个持续被讨论的话题，质量、速度和成本三个因素很难找到平衡，想要兼顾好、快、便宜，往往会有一项妥协。因此，我们的核心使命和愿景就是在这个不可能的三角中摸索出最佳方案，真正为开发者服务。

为此，我们进行了大量的工作。我们发现，在长时间任务的执行过程中，随着迭代次数的增加，任务成功率会下降。因此，通过强化自我反思，我们在迭代中不断调整，以维持适配率在一个高水平上。

随着迭代次数增加，整体响应的成本也在上升。我们通过上下文工程不断优化上下文管理和多模型调度，确保合适的模型和Sub Agent能够有效管理上下文，以便用最合适的模型解决实际问题，这也是我们优化成本的一种策略。

展望未来

阿里巴巴集团的CEO吴泳铭对AI Coding的未来有很多前瞻性的看法，我们也深信AI Coding将在未来的数字世界中发挥关键作用。如今，代码已成为现实世界与数字世界之间的桥梁，未来大语言模型将管理和增强更多场景，带动AI Coding需求的爆发。过去20、30年中，代码的产量一直是个瓶颈，未来这个瓶颈将被打破，而如何利用AI将成为新的挑战。

从行业的角度来看，每一个微小的需求、想法和创意都值得实现。以前因为代码产能有限，很多创意无法落地。现在，通过像Qoder这样的工具，广大的开发者诉求都能得到满足，创意将得以实现。随着代码产能的提升，软件实现的成本也将降低，需求将迎来全面爆发。

编程的智能化程度逐渐提高，开发者的能力下限也会普遍提升，大家将借助AI的力量，成为新时代的开发者，这是我们对这个行业的判断。

从产品的角度看，未来80%的需求将由Agent自主完成，Agent在解决问题的能力上将超过人类，可以持续执行任务。

异步任务委派将成为常态，模型成本将持续降低，不再成为AI应用的障碍。软件研发模式将发生根本性变化，云端异步任务将成为主流，云端资源的消耗也将倍增。

编程智能体将真正无处不在。AI帮助我们实现更多功能和任务，通过多场景、多点覆盖，智能体会真正做到无处不在。IDE可能不是终点，未来在每一个工作界面都能使用编程智能体，来触发和管理我们的工作。

我们希望与行业开发者共同努力，通过Agentic Coding释放更多生产力，创造更大的社会价值！