AI 编程演进综述 v202510

供稿来自：@秦皓

自 2 月以来，研发中心开始推进 AI 进研发提效工作，至此我们进行了 AI 编程最佳实践、工程化探索、提效实践分享以及 AI 提效活动评比等系列活动。现在时间来到 10 月，让我们一起回顾一下过去大半年 AI 编程的演进，帮助大家把握 AI 提效的方向和未来。

随着大模型能力的持续突破，AI 编程正经历从「代码补全」「氛围编程」到「Spec 驱动开发」的范式革命。软件开发的重心正从「如何编写代码」转向「如何定义问题和验证解决方案」。本文围绕技术基础、编程范式、知识工程、工具形态四个维度，简要回顾 AI 编程的演进历程，探讨其未来发展方向。

一、技术基础：大模型能力持续提升

大模型能力的快速迭代，构成了 AI 编程「从辅助到主导」跃迁的核心驱动力。近年来，我们见证了从性能优先到性能、成本、代理能力全方位竞争的转变。

国内编码大模型推荐（处理编码任务已经足够日常使用）：

二、编程范式：从辅助到自主的演进

2.1 范式演进概览

我们可以将 AI 编程范式粗略的分为三个阶段：辅助阶段、协作阶段和自主阶段。

这条演进路径展示了从微观到宏观、从被动到主动的清晰转变。

2.2 不同范式对比

Spec Driven Development（SDD，规范驱动开发，参见：AI 利器（九）：Spec 驱动开发）是一种基于精确规格说明的 AI 软件工程流程，是目前 AI 编程演进的最新范式。开发者通过编写结构化规范（包括功能需求、接口定义、验收标准等），指导 AI 自主完成从规划到实现的全过程开发。

目前主流的 AI IDE 都逐渐开始支持 SDD，如 Qoder 的（Quest Mode/委派模式，从产品设计层面原生支持 SDD）、Cursor 的 Plan Mode 等。同时，社区提供了如 spec-kit 和 OpenSpec 这样的工具，支持在不同 AI 编程工具中管理 SDD 流程。

2.3 角色进化之旅

这条演进路径，本质上是开发者将控制权逐步下放，并将自身角色向更高层次提升的过程。我们正集体从「如何写」的泥潭中走出，经过「写什么」的探索，最终迈向「为什么而写」的广阔天地。未来，编写精确规范的能力，或许将成为程序员最核心的竞争力。

三、知识工程：AI 编程的隐式基石

知识工程是对代码中业务逻辑、团队规范和领域知识的系统化处理，是 AI 编程从「玩具」走向「工具」的关键瓶颈。我们可以在 AI 变成范式的演进中看到知识工程的演进：

知识工程的核心价值：为 AI 这位「正规员工」编写详尽的文档，比如：

《岗位工作手册》（业务知识）
《公司管理条例》（仓库规范，如 Rules 等）
《项目综述》（代码仓库总结，如 AGENT.md、CLAUDE.md）
《操作手册》（开发流程，如 SKILL.md、Command 等）
《技术文档》（Sepc 文档等）

未来团队的核心竞争力，将取决于构建、维护和利用「AI 可读写知识体系」的能力。做好知识工程管理是 AI 编程时代提升效率和代码质量的关键。

四、工具形态：IDE 与 CLI 对比

随着 AI 编程范式的演进，工具形态也呈现出明显的分化并融合的趋势。在技术基础提升和范式转变的推动下，AI 编程工具从单一形态发展为多元化的生态系统，形成了 AI IDE 和 AI CLI 两大阵营。

4.1 AI 编程工具演进

4.4 维度对比

4.5 趋势总结

边界趋同：IDE 内置终端 Agent 模式，CLI 以插件方式可以结成到 IDE
协议统一：MCP 成为「AI 插件界的 USB-C」，跨平台兼容
双轨选型：桌面用 AI 原生 IDE，CI/CD 用 CLI
未来展望：本地模型压缩使 CLI 具备离线 Agent 能力，IDE 向多模态低代码演进

选型建议

🎯 写得爽、重构快 → AI 原生 IDE（Cursor/Kiro/Qoder）
🚀 跑得远、自动化 → AI CLI（Gemini CLI/Claude Code）
🔧 已绑定 VS Code/JetBrains 生态 → AI Coding 插件 + MCP

五、总结、展望及建议

从前面的回顾和分析可以看出，AI 编程的发展是一场多层次、全方位的技术革命。它不仅改变了我们编写代码的方式，更重塑了整个软件工程生态系统。

5.1 变化总结

AI 编程将重塑软件工程，具体体现在：

技术提升：大模型的能力的提升，带来了 AI 编程生态的繁荣
工具融合：IDE 和 CLI 工具分化并逐渐融合，不同产品形态融合进化通用范式（如 SDD）
开发流程：开发者通过编写结构化规范，指导 AI 自主、异步完成从规划到实现的全过程开发
技能转型：开发者核心技能转向定义规范、代理治理和对 AI 产出评估
风险管控：随着代理自主性增强，面临三大风险：级联错误、依赖爆炸、对齐失败。解决方案：加强完善监督评估机制，构建实时安全反馈系统

5.2 未来展望

AI 编程的发展将持续深化，我们可以预见：

生态成熟：IDE 和 CLI 的边界将进一步模糊，形成统一的开发体验
标准建立：MCP 等协议逐渐成熟，SDD 等新范式将逐步标准化，形成 AI 编程最佳实践指南
协作模式：AI 成为「准团队成员」，需要新的责任归属和协作模式
成功要素：完善 CI/CD 流程，构建稳健的人机协同生态系统和实时反馈系统，完善评估机制

5.3 行动建议

面对 AI 编程的时代浪潮，我们需要：

个人层面：主动学习和实践 AI 编程工具，提升系统架构思维和问题定义能力
团队层面：建立知识工程体系，完善 AI 编程规范、流程和评估体系，平衡效率提升与风险管控