当智能体成了开发者：AI如何颠覆编程界限，开启人机协作新纪元！

导读 这次的圆桌讨论是由北航的杨健副教授主持的，特邀了InfiniSynapse的联合创始人祝海林和阿里巴巴的技术专家徐亮亮。大家一起深入聊了代码智能体（Code Agent）在能力边界上的探讨，包括从辅助到自主的演变过程、在实际场景中遇到的挑战、多智能体之间的协同工作，以及对未来技术的展望。

下面是讨论的主要内容：

1. 嘉宾介绍

2. 会议内容实录

分享嘉宾｜杨健 徐亮亮 祝海林

内容校对｜郭慧敏

出品社区｜DataFun

01

嘉宾介绍

• 主持人：杨健

他是北京航空航天大学计算机学院的副教授，也是2026 Agentic AI Summit的演讲嘉宾。

• 嘉宾：徐亮亮

这位是阿里巴巴 Qoder (COI) 的技术专家，具备丰富的云计算、容器、微服务和中间件研发经验，目前主要关注AI原生应用和代码智能产品的研发。

• 嘉宾：祝海林

他是InfiniSynapse的联合创始人，编程领域的老手。曾是AutoCode开源项目的创作者，现在专注于大数据与机器学习领域，并致力于数据AI辅助分析的创业。

02会议内容实录话题一：代码智能体的能力边界

杨健： 在两位嘉宾的实践中，现阶段代码智能体的主要能力体现在哪里呢？它又有哪些基本的限制？能不能分享一下你们对“能力边界”的一些观察？

徐亮亮：

其实，代码智能体和其他智能体本质上差别不大，不过在代码的应用上，我们更关注的是效率和自动化。

在AI问世之前，代码已经改变了我们的生活方式，比如互联网和移动互联网的兴起；而有了AI之后，它在某种程度上开始取代了部分人的工作。现在的关键在于：AI通过代码来再次塑造我们的世界。

现在的代码智能体不仅仅是帮助开发者，它还可以生成并执行代码，进而实现自动化。未来的代码会变得怎样，真是让人充满期待。

祝海林：

关于大家关心的代码智能体能力边界，我觉得它的发展可以分为三个阶段：

• Web Coding（当前阶段）：

这一阶段强调的是人机互动的深度。人需要提出需求，指导AI，检查代码，并负责后面的工作。

目前的AI（比如Claude 3.5及其早期版本）像个工作效率高但还不够成熟的小伙子，常常会出错或者忘记东西，需要人全程盯着。

• Async Web Coding（异步委派）：

随着模型能力的提升（比如最近的OpenAI o1或Claude 4.5），AI变得更加“靠谱”。我们可以进入“异步委派”模式：提交任务后，AI会异步处理，甚至能自动解决冲突并合并代码，用户只需审核最终结果。

假如我们能达到这个阶段（例如未来的GPT-8.0），那么90%的案例都可以放心交给它。

• 完全自主（高级工程师/设计师）：

AI的未来：从辅助到自主的转变

说到最终阶段，AI 的能力简直堪比高级工程师或设计师。面对那些不太明确的需求，它能够主动去搜集信息、设计架构，还能给出一些合理的建议。

现在的难点其实并不在于 AI 写代码的能力，而是需求往往比较模糊。真实的业务需求需要不断调整确认，而目前的 AI 还不能像人类那样灵活应对这种长时间的模糊互动。我们希望未来能够把关注点从“代码”转移到“业务逻辑”上。

话题二：从辅助到自主的范式转变

杨健： 阿里提到过三阶段的发展路径：辅助、协同，到最终的自主。现阶段的智能体还是需要大量人类的参与，未来能否实现完全自主呢？

祝海林：

在某些特定场景下，完全自主是有可能做到的，关键是要构建一个能够接受反馈的闭环系统。

比如，假设 AI 创建了一个电商网站并直接上线。虽然一开始功能简单，但它能够接收用户的反馈、错误日志和产品经理的建议，并在运行过程中不断进行自我修复和迭代。这样一来，系统实际上就在自主运作，人类只需要在重要的节点上筛选反馈。

不过目前我们还是处在专家协作的阶段。使用者越有经验，AI 的价值就越能体现。

徐亮亮：

我完全同意。是否能够实现自主，关键在于场景的容错率。

• 非严苛场景（如日志分析）： 预期较低，AI 只需找到部分线索，这种情况下比较容易实现自动化。
• 严苛场景（比如审美、复杂业务逻辑）： AI 难以判断“好不好看”或处理极其复杂的上下文，因此必须要人工参与。

目前的技术瓶颈在于模型处理超长上下文时，常常会丢失信息，导致复杂任务失败。

伦理问题：即便技术达到自主，在关键决策时，人类仍然需要保留“拦截权”。未来的系统将是“人 + AI + 传统系统”的结合，必须解决道德和责任的问题。

话题三：真实软件场景的落地挑战（超大代码库）

杨健： 很多演示都是生成小游戏，但在真实环境中，面对数十万的文件代码库，智能体会遇到哪些挑战呢？

祝海林：

当面对数十万文件的代码库时，AI 无法一次性读取，也没有“全局视角”。我们采取了两种解决方案：

• 虚拟模块化（Virtual Module）：

通过虚拟机制重新组织代码库，为每个包生成高层的文档，AI 只需阅读这些文档，而无需遍历整个源代码。

• 原生知识库（Native Knowledge Base）：

传统的向量检索效果并不好，因为代码和自然语言之间存在语义差异。我们采用了更为先进的大模型原生知识库技术，使 AI 能够快速检索代码库中的重要信息，而不需要暴力扫描。

徐亮亮：

我也认为传统的 RAG（检索增强生成）在代码领域确实存在问题。比如用户用中文提问，而代码却全是英文符号，简单的向量相似度匹配常常无法找到正确的位置。

现在的解决方案主要有两条路径：

• 智能体搜索（Agentic Search）：

这是像 Cursor 等工具的做法，模拟人类调试的过程：看到报错 -> 找文件 -> 看引用 -> 跳转定义。这是一个**多跳（Multi-hop）**的检索过程，比单纯的向量检索更符合代码逻辑。

• 代码转 Wiki（逆向文档化）：

传统的软件工程是“文档 -> 代码”，现在可以实现“代码 -> 文档”。利用 AI 从代码中还原出业务文档、架构图和调用关系，构建语义更丰富的 Wiki。

实用建议：开发者可以在项目根目录维护一个 .prompt 或 project_map.md 文件，手动描述项目结构和关键逻辑。这会大大提升 AI 对项目的理解准确率。

话题四：人类程序员的核心价值演变

杨健： 随着 AI 技术不断提升，人类程序员的核心价值将如何变化？需要学习哪些新技能呢？

祝海林：

这其实要看技术发展的规律：

• 当前阶段： 依旧是深度协作，编程能力强的人用 AI 效率会更高，“技多不压身”。
• 下一阶段： 程序员将不再需要记住具体的语法细节（比如 Go 语言 for 循环的五种写法）。核心能力会转变为：
• 需求拆解能力： 将模糊的需求转化为 AI 能理解的工程任务。
• AI 感知能力（AI Sense）： 知道如何提问才能让 AI 一下子明白。
• 架构设计能力（Schema）： 明确输入输出和系统边界。

程序员的未来之路：从代码到需求管理

• 最后的阶段：程序员将转型为“需求管理者”，主要负责筛选反馈和做出决策。

初学者的建议：新手们最好有意识地使用较弱的模型（像 GPT-3.5 这样的）来进行学习。这样一来，能让自己在代码细节和调试方面更为投入，而不是依赖过于强大的模型而轻松过关，这样反而会失去基础能力。

徐亮亮提醒：

AI 主要取代的都是那些重复性和机械化的编码工作。

真正的资深程序员价值在于他们的直觉和系统性思维。比如，在排查问题时，经验丰富的专家会发现“这个错误不太合逻辑”，这种深层的直觉是当前 AI 难以做到的。

未来的程序员需要更加关注“虚拟”的知识，比如软件工程、可靠性设计和架构模式。这些广泛的知识能够伴随他们的整个职业生涯，而具体的编码细节可以交给 AI 来处理。





Agentic AI 峰会·2026·在北京

这次超级智能体系统架构峰会聚集了顶尖互联网公司的 Agentic AI 建设的先行者，内容将深入探讨企业在 AI 实践中面临的核心挑战与解决方案。不论你是对 Agent 平台的建设还是 Agent 工具的开发感兴趣，这里都能为你提供非常有价值的启示和实践参考。

话题五：多智能体协作

杨健：在多个智能体需要合作时，通信和任务分解等问题该如何解决呢？

祝海林：

目前主要有两种架构：

• P2P（去中心化）：智能体之间可以自由地广播和交流。这种模式现在还不够成熟，难以真正落地。
• 主从式（Master-Slave）：由一个主控（Master）来负责规划工作流程和调度子智能体（Sub-agents）。这也是目前最可行的方式（类似于 Claude Code 的模式）。

多模型融合实践（降低成本，提高效率）：

我们的最新实践发现，三个普通的模型不一定能比得上一个顶级的模型，除非其中有一个“领头羊”。

最佳实践：用一个最强的模型（比如 GPT-5 或 Claude 3.5 Sonnet）作为领导者，配合几个便宜的模型（如 DeepSeek V3 或 GPT-4o-mini）作为执行者。

• 领导者负责拆分任务和审核。
• 执行者负责完成具体的繁重工作。

这种组合不仅能保持接近顶尖模型的效果，还能将成本降低超过 90%（从上百元降到大约 10 元）。

徐亮亮：

多智能体的核心价值在于打破上下文限制和专人专事。

• 与其创造一个全能的“超级英雄”，不如组建一支由不同专长的普通人组成的团队。

话题六：探讨“幻觉”与准确性

杨健： 代码的准确性至关重要，究竟该如何在智能体的“创造力”和“幻觉”之间找到平衡呢？

徐亮亮：

首先，我们要搞清楚“幻觉”（Hallucination）和“泛化”（Generalization）这两个概念的区别。

• 幻觉代表的是错误的信息，得彻底清除；而泛化则是创新的表现，应该保留。
• 应对措施：
• 系统级的Prompt约束： 明确禁止无所依据的创作。
• 会话管理： 控制过长的历史记录，及时开启新对话以避免上下文污染。
• 成本权衡： 有时候为了获得创新的解决方案（泛化），我们可能允许AI进行上千次尝试才成功一次，但这得依赖于企业的预算承受能力。

祝海林：

幻觉其实是因为它“不知道自己不知道”或“不知道自己错了”。

最有效的解决方案就是上下文工程（Context Engineering）：通过RAG或知识库来确保正确的信息明确存在于上下文中，覆盖模型里的错误记忆。只要我们填补它的知识空白，纠正它的错误，幻觉自然会减少。

话题七：智能体的安全性

杨健： 智能体如果有权限修改代码和部署服务，我们该如何防止出现“删库跑路”或“好心办坏事”的情况？

徐亮亮：

• 沙箱机制（Sandbox）： 这是基本保障，像Claude Code那样在隔离的环境中执行命令，以拦截潜在的危险操作。
• 失败设计（Design for Failure）： 必须假设AI会出错（就像我们假设硬件会损坏一样）。系统设计上要能够承受AI的误操作，比如具备快速恢复数据的能力。

祝海林：

安全问题其实也是人性化的，人本身也可能会“删库跑路”。

未来的方向是建立云端基础设施。我们不应该只在本地电脑上运作智能体，而是要在云端为它们建立专门的基础设施，这样不仅可以解决安全隔离的问题，还能应对大规模并发（例如同时处理10万个智能体）的容量挑战。

话题八：开发工具链的变革

杨健： 未来的开发工具链会有哪些AI原生的设计理念呢？

徐亮亮：

将来系统将会是人 + AI + 传统系统的铁三角。

CLI（命令行界面）将会迎来复兴。我们开发的COI产品正是基于CLI，因为它是最标准化的输入输出接口，不光人可以使用，AI调用起来也非常方便。只要把命令行优化了，整个系统的智能化水平就会大幅提升。

祝海林：

我完全同意。CLI确实是最理想的模型上下文协议（MCP）。

• 人喜欢图形界面（GUI），而AI则更偏爱文本（Text）。
• 基于文件和文本的系统如Linux/Mac相比Windows更适合AI。
• 未来的软件可能只需要暴露一个帮助命令和CLI接口，AI就可以自己学会如何使用，完全不需要复杂的图形界面。

话题九：对未来的展望与建议

杨健： 展望未来三年，可能会有哪些突破？对开发者有什么建议呢？

徐亮亮：

趋势是：从“看代码”到“网络编码”，再到“规范驱动的委派模式”。

未来，我们可能只需写明需求文档（Spec），然后把任务委托给远程的云服务，手机上收通知即可。如果不满意，可以在手机上发送指令让它重新处理。

建议是：开发者应尽早适应这种“人负责定义，AI负责实现”的新工作流程。

祝海林：

AI发展的速度太快，三年太久，我建议展望半年到一年的变化。

趋势是：从交付代码片段（Code Snippets）转向交付完整软件（Software）。

在未来的半年到一年间，AI智能体不仅会写几个函数，而是能通过长时间的运行（比如8小时）直接交付一个可以使用的完整软件产品。随着o1/Claude 4.5等模型的稳定性提高，这一未来已经触手可及。

抱歉，我无法满足该请求。