Qoder 负责人告诉你：Qoder 产品背后的心路历程与未来愿景！

关于Qoder，你了解吗？

大家好，今天我特别高兴能和大家聊聊Qoder。这是阿里巴巴新推出的一个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和认可。

借着云栖大会的机会，我想跟大家分享一下Qoder的定位和背后的思考，希望通过这样的产品，能够引领Agentic Coding的新潮流。

AI编程已经成为软件开发的热门选择。根据行业调研，全球有超过62%的开发者正在使用AI编程工具，开发效率平均提升超过30%。当然，还有一些开发者用得比较深入，效率提升甚至超过50%。目前，中国的开发者中有30%已经开始使用AI编程工具，这个市场还有很大的发展潜力。

那么，阿里为什么会选择在Agentic Coding上发力呢？和以前的辅助编程有什么不同呢？我们可以从模型的使用趋势来看。

首先，Anthropic发布的数据显示，用户对Claude模型的使用正在朝着更自动化的方向发展。开发者更愿意把完整的任务交给模型，而不是仅仅进行一些知识问答。

其次，GPT的报告显示，在实际使用中，开发者执行任务的比例远高于提问。这意味着用户开始更多地依赖智能体完成大规模、完整的任务，而不是过去那种知识检索。这说明用户对模型的能力有了更高的信任，能够更好地解决整体任务。

如今，大模型的能力在快速提升，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扩展。从之前的聊天、代码补全到完成任务的开发，现在已经涵盖了整个软件生命周期，包括开发、测试、验证，甚至是发布工具的调用。任务的复杂度逐渐增加，处理能力也在不断提升。

在这个阶段，AI编程的发展显著提高了开发者的效率，不再只是简单的补全，而是成为人类的助手和支持者。

所以，我们认为目前的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结合的辅助编程阶段。在这个阶段，开发者依然主导代码的编写，编程助手提供提示和补全，帮助人类程序员完成代码的编写。此时，人是主角，效率提升一般可达到30%，目前很多开发者还在这个阶段。

第二个阶段是2024-2025年的协同编程。在这个阶段，开发者通过自然语言向AI提出需求，代码作为上下文被提交给大语言模型，模型可以根据指令批量编辑多个代码文件，生成大量代码，并执行各种操作。协同编程大幅提升了人类研发的效率，平均提升可达一倍。

我们提到的Vibe Coding其实也属于这一阶段。许多产品经理、设计师、自媒体博主等泛开发者，都可以通过对话生成代码，创建一个系统，实现需求落地。

现在，我们正进入第三个阶段，即2025年开始盛行的自主编程。AI能够长时间执行复杂任务，能够端到端交付完整结果，此时不再需要人类的实时监督，而是完全让AI自主编程。人们不仅可以将任务委派给AI，还能同时将多个任务分配给不同的智能体，极大释放了生产力，效率提升可达1-10倍。

这就像是在管理一个团队，使用不同数量的智能体并行开发任务，它们就像我们的数字员工，这也是我们认为未来研发的主流模式。

Qoder的产品定位

接下来，我们来聊聊Qoder的定位。如今行业的流行趋势与Vibe Coding是相辅相成的，Vibe Coding发展迅速，但我们发现大部分开发者日常的工作仍然集中在存量工程上。毕竟开发者并不能每天都创造一个新系统，现有的系统通常有着长生命周期，并且具备实际的商业价值。用户创建的新系统只是其中的一部分，更多的时间是用来发展、维护和演进现有系统。我们把这些系统称为真实软件，它们是在商业社会中实际使用并产生价值的，并且需要长期维护。

真实软件是一个价值高地，因为它们正在创造价值，而维护真实软件的需求仍未得到充分满足。因此，Qoder的定位就是服务于构建真实软件。

随着软件和服务的不断演进，代码已经是最新的内容，但大家知道文档往往很快就过时。虽然大家都会维护代码，但很少有人能实时更新文档，把它视为最重要的资产。因此，文档和代码往往脱节。我相信开发者都有这样的体会，代码才是最实时、最准确的资产。然而，为了传承和维护一个系统，文档又是不可或缺的，那么，这些文档应该由谁来维护，又该存放在哪里呢？

Qoder Repo Wiki正好解决了这个用户痛点。通过代码库反推文档，这个功能我们称之为Repo Wiki，即由Repo生成的Wiki。这个Wiki是最实时的，因为一旦代码发生变化，文档也会随之更新。通过代码及提交历史，可以反推出设计思路、架构、技术栈、时序关系、接口描述等许多内容，且这些内容是最准确的。这就是Repo Wiki背后的产品哲学——隐性知识的显性化。

Repo Wiki现在支持单个库生成1万个文件的Wiki，它减轻了人类的认知负担，并降低了AI在理解项目过程中的资源消耗，可以提前生成，也支持共享和导出，因此受到了开发者的热烈欢迎。

Wiki可以应用于多种场景，包括人与人之间的沟通、同步、传承、交接和协作。人与AI之间的认知对齐同样需要Wiki。我们提到的上下文工程，旨在为大语言模型提供更精确的上下文，而仅有代码是不够的，因此Wiki作为上下文的一部分，帮助其更好地理解整个代码库，而不是在推理过程中再去理解，这样的效率是很低的。因此，我们提前完成了这项工作，这正是Repo Wiki解决隐性知识问题的所在。

让编程变得轻松：新方式助力开发者

说到程序员的日常，很多时候都被那些重复繁琐的编码工作占用了大把时间，真的让人心累。结果就是在需求分析、意图识别、设计文档整理这些关键环节上，程序员的精力总是跟不上。你可能也碰到过这样的情况，辛辛苦苦做完的工作，最后又得返工。我们希望未来的开发者能把更多的精力放在设计、需求洞察和逻辑关系的梳理上，形成一套自然语言的规范，交给AI来处理。毕竟，AI完全有能力基于这些信息生成更准确的代码，这样一来，人的工作压力就会减轻，系统的返工率也能降低。

另外，过去人和AI的协作方式常常受制于时间和精力。人不停地问问题、不断输入信息给AI，还要对结果进行校验，这种互动模式效率确实不高。尤其是人下班了，AI也就“下班”了。但我们都知道，软件的最大优势就是可以在无人监督的情况下长时间运行。因此，如何释放这一部分的潜力，成为了我们在产品实践中的一个重要思考。

Qoder给出的解决方案就是基于规范驱动的开发。因为大语言模型已经能够长时间异步工作，并且可以利用多种智能工具来完成复杂的任务。但接下来的挑战就是，开发者如何将需求描述得清晰明了。如果描述得够清楚、拆解得够明确，AI就能自主执行任务。

因此，我们引入了规范驱动的概念：先把需求写清楚，再交给AI去实现，最后进行结果校验。这一过程不需要太多的互动，从而让AI能持续执行，交付更高质量的结果。如果大家觉得写规范也很有挑战，那我们可以让AI来帮忙，这个过程会有很强的互动性，人可以输出想法，AI负责完善。

最后，Qoder的核心就是持续增强上下文工程能力。如今，想要充分利用大语言模型，理解上下文是最关键的。Qoder不仅提高了对工程的理解和检索能力，尤其是在真实软件和复杂工程方面，很多产品都做得不够好，而Qoder在这方面准备得更充分，能够更好地处理复杂工程。通过个性化的上下文和记忆整理，AI能在实际编程中更好地理解用户的行为、选择偏好和使用习惯，从而生成的结果更能符合用户预期。因此，我们将长期投入在上下文的持续增强上。

Agent模式：基于对话的智能体协作方式

智能体模式可以通过实时对话与用户进行协作，这种功能很常见。通过构建工具和对模型进行联合优化，深入理解工程及工具的使用，能够大规模生成具有上下文感知的精准代码，完成大量任务。Qoder在代码检索方面的能力也相当强，能够一次性检索10万个代码文件，在大型工程理解力方面处于行业领先地位。

然而，随着任务的增加，很多大型语言模型在执行过程中会跳过一些步骤。Qoder巧妙地解决了这个问题，我们会先进行自主规划，并构建一个待办事项清单，确保大语言模型在执行过程中不断回溯，核对是否按照之前的规划去执行。这一策略能够保证任务的结构化和透明化，让长时间的执行不跑偏，同时确保结果的准确性。

通过Agent模式，我们构建了强大的智能体能力，想象的空间也随之打开。在使用过程中，智能体可以通过实时结对的方式进行更广泛的任务委派。结合之前提到的规范驱动，当用户已经有了清晰的规范，就可以把任务委派给智能体，它能够长时间执行任务，这样就形成了异步委派的工作模式。

Quest模式：AI自主研发

一旦用户表达清楚意图，就可以将任务委派给Agent，因此我们推出了Quest模式。Quest模式就是基于规范驱动的AI自主编程，这也是Qoder非常受欢迎的创新功能。

规范是开发者最熟悉的表达方式，用户只需确认整体意图，Quest模式能够生成规范，一旦开发者对规范满意，就可以启动Quest执行，执行过程中会进行校验。用户可以干预和验证整个行动流程的执行，最后确认结果，或全权交给AI完成。

这样就逐渐形成了一种异步委派的工作方式，先写规范->执行可视化管理->任务完成后生成任务报告，基本上就实现了端到端的工作任务委派，像是带着实习生一起完成任务。

那么，Quest模式擅长做什么呢？它特别适合处理异步长时间的研发任务，并且可以独立完成。比如新功能的交付、自动修复缺陷、系统的大规模重构等，以及批量任务的自动化需求。我们常常看到新闻说大语言模型能长时间运行任务，甚至能持续7个小时，你能想象什么样的任务能跑这么久吗？要实现这一点，必须通过规范驱动，才能真正提升生产力。

这样，我们就能形成更强的智能体和驱动大语言模型长时间工作的能力，打破智能体与大语言模型之间的时空限制，更大程度地释放生产力。

首先，AI自主编程，能够长时间地执行任务。不要在本机或开发者本地去操作，而是要跳到云端去解决时间问题，云端有很多优势，可以方便地进行扩展，开发过程不再受时间和空间的限制。

其次，需要一个优秀的云端沙箱。能还原出一个安全、隔离的环境，能够快速启动和停止，在云端沙箱中完成研发任务，还能进行并行开发，这样就大大拓展了空间的边界。因为在云端，即使程序员下班或休假，工作也能持续进行，智能体会自动完成任务。

第三，无处不在的智能体。我们要将智能体的能力通过各种方式展示出来，无论是IDE、插件、命令行，还是其他集成方式，都能以更多形式展现。只有在不同的地方都能触发、管理和验收工作，才能真正释放生产力，实现几倍甚至十倍的提升。

为什么不可能更多呢？因为人仍需统筹全局，包括意图识别、需求设计、文档编写和结果验收等，这些工作其实是AI无法完成的。我们提出了“无处不在的智能编程”理念，有了沙箱和云端智能体，智能体就可以在任何开发者需要的地方被调用，比如IDE、命令行、浏览器、手机端，甚至在GitHub、GitLab等协作平台和各种办公软件中，都能触发智能体完成任务，打通文档上下文，因为文档也是重要的上下文，这样就能实现多触点和多场景的覆盖，触达更广泛的开发者。

此外，通过命令行的方式，可以更广泛地被集成。行业中许多IDE是基于VS Code二次开发的，但还有很多开发者并不使用VS Code，如何满足这些需求？我们希望通过命令行的方式开放后端能力，以便更广泛地使用。

最后，我很高兴带来了Quest Remote模式，它可以将基于规范驱动的Quest任务直接像邮件一样发送到云端，保证云端启动开发环境，完成研发任务。

在云端，我们可以很好地调度沙箱，且云端资源不需要额外付费，任务完成后，AI能自主把结果回传给本地，方便开发者进行验收和合并。

让编程更简单：Qoder的未来之路

最近，我们准备推出 Qoder CLI，打算把 Qoder 的智能引入到每个终端。之前提到过，很多终端还没覆盖到，但通过 CLI，熟悉命令行的开发者们就能轻松使用了。这对于追求高效率、想要灵活控制的开发者来说，CLI 绝对是个好帮手。

Qoder CLI 的底层架构轻量且可扩展，设计上也很聪明，能以低资源消耗运行。你可以自定义插件、命令和 Sub Agent，协同完成开发任务。里面有不少特色功能，可以像流水线一样集成，帮助开发者在任何地方都能调用智能体。

Qoder的技术优势

接下来，我想和大家聊聊 Qoder 在技术设计上的独特之处。我们主要专注于三个方面：首先是强化软件工程的上下文，比如Wiki、记忆、工程的嵌入和向量检索。我们有多样的组合方式，最终目的就是高效精准地组装上下文，确保得到理想的结果，减少执行的轮次，让大家更快完成任务。这是针对工程上下文的深度感知。

其次是针对AI自主编程构建的智能体。我们对整个流程进行了精细调试，包括规划、待办事项、技术设计、代码生成、自主测试和结果验收等方面都有所增强，因此 Qoder 智能体在完成长期任务时表现得相当出色。

最后是 Qoder 整合了全球顶尖的模型。很多开发者会问，为什么不让大家自由选择模型？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点和适用场景，随意切换模型可能会影响对话流的流畅性。

因此，Qoder 将不同模型的能力整合在一起，针对 NES、补全、聊天、自主编程、Wiki生成和向量检索等方面，选择了最合适的模型组合，以达到更优的效果。我们的理念是，机器选择优于人类选择，速度更快，效果也更好。我们也欢迎任何的对比。

接下来，让我们聊聊 Qoder 新一代技术架构的挑战与突破：

• 实时追踪开发者的代码编辑行为，通过我们自研的代码补全和 NES 模型，在短短几百毫秒内精准推荐代码片段。
• 在十万个代码文件的大型项目中，快速完成全量索引，同时结合 RepoWiki 知识和代码图谱，实现精确检索。
• 根据对话历史、技术设计和人类标注，提取项目知识、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、精准地执行开发者的需求。
• 利用远程沙箱技术和多智能体协同技术，轻松完成数十分钟甚至数小时的复杂任务，实现 AI 异步工作模式。

一直以来，AI 编程产品的落地都面临着不少挑战，开发者们对此也是心知肚明。这是一个持续的话题，在质量、速度和成本之间很难找到平衡，真的是一个不可能的三角形。我们的核心使命就是在这个不可能的三角形中找到最佳解决方案，给开发者带来真正的帮助。

为了实现这一目标，我们做了很多努力。在长时间任务执行过程中，我们发现随着迭代轮次的增加，任务的成功率逐渐下降。因此，通过强化反思，让我们在迭代中不断自我纠正，保持高适配率。

随着迭代次数的增加，整体响应的成本也在上升。通过不断优化上下文工程和多模型调度，我们能够更合理地管理上下文，确保用最合适的模型解决相应的问题，这就是我们降低成本的方式。

展望未来

阿里巴巴集团的 CEO 吴泳铭也提到了很多关于 AI 编程的未来预测，我们坚信 AI 编程将在未来的数字世界中扮演极其重要的角色。如今，代码已经成为连接现实世界、物理世界和数字世界的桥梁，未来大型语言模型将能够管理和增强更多场景，随着产业需求的爆发，代码的产出将不再是瓶颈。而如何驾驭 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。过去由于代码产量不足，许多创意无法落地。未来，借助像 Qoder 这样的工具，开发者们的需求将得到满足，这些创新的想法将得以实现。随着代码产量的提升，软件实现的成本也将下降，需求将全面爆发。

代码编写将越来越多地依赖于大型语言模型，开发者的能力下限会普遍提高，大家可以站在 AI 的肩膀上，成为新时代的开发者，这是我们对行业的判断。

从产品的角度来看，未来有 80% 的需求将由智能体自主完成，智能体在解决问题的能力上将超越人类，能够长时间执行任务。

异步任务委派将成为主流，模型成本也将持续降低，不再是 AI 应用的障碍。软件研发模式将发生根本变化，云端异步任务将成为常态，云端资源的消耗将激增。

编程智能体将真正无处不在。AI 将帮助我们完成更多的功能和任务，通过多场景的覆盖，智能体将真正实现无处不在。IDE 不是终点，它可能只是一个起点，未来我们可以在任何工作界面使用编程智能体，管理和触发我们的工作。

希望能和行业开发者们共同努力，通过 Agentic Coding 释放更多的生产力，创造更大的社会价值！