AI Coding 进入重度使用阶段：开发者、企业如何应对新挑战与机遇？

AI Coding 引发软件开发变革与争议

随着 Claude Code、Codex、Kimi Code 等编程智能体快速迭代，软件开发正从“人写代码、工具辅助”转向“人定义目标、Agent 持续执行”。模型不仅能生成代码，还能自主调用工具、调试程序等。与此同时，模型调用成本、生产环境责任等问题也进入企业经营层面。

在 2026 世界人工智能大会期间的 InfoQ 媒体直播间，AI Coding 成为“AI 正在重写什么”主题下最具争议的话题之一。拥有近 20 年企业软件开发经验的滕昱和曾在 Google 担任软件工程师的唐飞虎，从开发者实践、企业管理和个人成长三个角度，讨论了 AI Coding 带来的深层变化。

开发者使用 AI Coding 的方式与变化

滕昱同时使用三个编程模型，采购时直接选择能力最强的模型和最高档套餐，不在意节省调用费用，更关注能否直接解决问题。即便使用多个高阶套餐，他也未用满 Token 额度，认为 AI Coding 并非万能，人仍需处理模型无法完成的部分。

唐飞虎会尝试几乎所有主流 AI 工具，根据任务特点选择合适组合，还会主动让模型运行 Benchmark 以用满套餐和内部额度。两人都未精确统计每天消耗的 Token，因为 AI Coding 使用方式改变，现在开发者多给 Agent 设定目标让其持续执行，Token 消耗难以估算。

这种长时间自主执行会产生浪费，但模型也能从错误中跳出完成任务。开发者可提前介入提高效率，但有时会选择让模型自行尝试。滕昱认为，AI Coding 的衡量方式正从“调用多少 Token”转向“完成什么任务、产生什么价值”，这影响了企业对成本的理解。

“人人都是开发者”的边界探讨

对于不懂代码的人能否通过 Vibe Coding 开发产品，滕昱和唐飞虎有不同程度的乐观判断。滕昱认为取决于程序类型，普通应用 70%-80%的需求可通过 Vibe Coding 实现，但涉及新逻辑、新架构等关键工作仍需人类介入。

唐飞虎更乐观，认为随着模型能力增强，懂不懂代码会逐渐不那么重要。他举例在 SIGGRAPH 活动中，用最新 Kimi K3 模型很快完成了之前两天未完成的 3D 停船游戏制作。但两人强调，“能生成代码”和“成为专业工程师”不同，AI 无法决定系统存在的意义、解决问题和判断错误路线，人仍需理解目标、设计协作机制和判断交付结果。

模型与 Harness 的重要性及差异

在 AI Coding 产品中，模型决定基础能力，Harness 负责提供工具、上下文等。滕昱认为模型进化快，不过早投入大量时间打造完美 Harness，更关心项目大方向，认为开发者应思考与 AI 的区别，当前构建复杂 Harness 流程可能为时尚早。

唐飞虎用航空系统比喻，认为模型如航空发动机，Harness 是将模型能力组织成完成任务的系统，这也是大模型公司组建 Harness 团队的原因。新的 Agent 评测比较“模型加 Harness”的完整组合，通用 Agent 和垂直 Agent 设计逻辑有差异，企业可通过平台观察不同 Harness 情况，用户反馈和体验是关键指标。

AI 判断力的分歧与企业应对措施

对于 AI 是否有判断力、能否形成价值取向和感受痛苦，滕昱和唐飞虎有分歧。滕昱认为最强编程模型也无法替代人在关键节点的判断，模型无法感知痛苦，不能承担决策责任。

唐飞虎认为模型具备一定判断能力，如在 Kimi 训练中涉及主观任务评价，Claude Fable 5 处理困难任务有特殊状态，他还分享模型拒绝不安全操作的经历，认为模型形成了价值判断。两种观点对应 AI 系统中模型能否生成判断和为判断负责的问题，企业需建立 Agent Pipeline 约束 Agent，持续测评其表现。

企业部署 AI Coding 的误区与方向

AI Coding 进入企业需计算成本、评估价值和承担风险阶段。北美大型科技公司管理者早判断 AI Coding 必然发生，很多 AI 重写项目选 Rust。但企业最初推广方式粗糙，用内部 Token 使用排行榜逼迫员工使用，导致两极分化，Token 消耗纳入 KPI 后员工“刷量”却未带来实际生产价值。

企业随后反向调整，目前大型企业部署 AI Coding 未形成完全收敛方案，未来可能减少单纯代码编写人员，但组织形式等未确定。10 - 20 人的开源团队和小型精英团队更适合 AI Coding，滕昱预测大型软件公司可能向小型团队靠拢，组织扁平化但个人责任扩大，AI 生成代码不能免除人类责任。

企业对 AI Coding ROI 的思考与策略

当模型调用进入正式成本中心，企业重新思考 AI Coding 的 ROI。唐飞虎指出主流开放模型提升，次一级模型能处理约 90%常见问题，但困难任务用低价模型总成本未必低，企业需按任务选模型，评测体系要考虑多方面因素，使用部门可能需模型专家。

滕昱认为提高 ROI 可把最好模型交给最有经验的工程师，因为他们能有效利用模型放大经验。AI 可改变企业软件产品开发方式，适合快速构建原型，但不擅长维护遗留系统，未来软件工程稀缺能力从“写代码”转向“理解修改原因和承担结果”。

新人如何应对 AI Coding 带来的挑战

AI Coding 使初级工程师积累经验困难，企业希望把最强模型给资深工程师，新人面临悖论。唐飞虎建议新人“先做起来”，从实践中建立对模型的判断。滕昱主张“先用起来”，不要过早计算 Token 费用，增加人文科学训练，避免与 AI 竞争其擅长领域。

面试方式也在改变，唐飞虎设计人机协作任务考察候选人，认为人机协作是 Benchmark，未来 Agent 是团队一部分，求职者应展示借助 Agent 完成的作品。滕昱判断未来管理者可能管理大量 Agent，学生报考计算机专业需慎重，传统计算机专业红利周期已结束，文科类专业可能更吃香；唐飞虎则建议学习计算机专业，但课程要改变。