AI Coding浪潮下，研发效能该如何重新衡量？

过去几十年，软件工程师的核心工作之一是将需求转化为代码。但近两年，AI 辅助编码技术正在快速改变这一现状——从早期的代码补全，到如今能理解完整代码库、完成复杂任务、调用工具、修改代码、运行测试甚至参与代码评审，AI 让代码生产变得越来越高效。不过有意思的是，这并没有让软件工程变得更简单，反而带来了更多新的挑战。

近期，一场聚焦 AI 时代研发效能的圆桌讨论召开，邀请了多位技术领域的专家参与。讨论围绕 AI 对软件开发的影响展开，以下是部分核心观点整理：

• 大型企业因协作复杂度需要指标来洞察研发效能，但如今 AI 让单人也能完成规模化开发，无需再纠结于传统的效率指标。
• 研发与测试分离的模式终将被测试驱动开发替代，测试工作的 80% 至 90% 会融入代码编写过程中。
• 如果没有确定性工程来约束 AI 的代码生成，AI 会快速学习错误的代码习惯并放大问题；确定性工程的作用就是引导 AI 学习正确的开发范式。
• 良好的架构设计能承载更高的并发协作，减少代码冲突，降低开发者的代码变更频率，避免在单次代码评审中反复调整。

针对 AI 辅助编码带来的变化，某客户端技术负责人指出，AI 虽然能生成高质量代码，但软件工程对开发者的要求分为两层：底层的编码实现已可由 AI 完成，而上层的问题拆解、代码风格判断与最终决策，对开发者的要求反而更高。由于 AI 生成代码的速度更快，系统复杂度增长也随之加快，进一步提升了对开发者的能力要求。

在谈及人才评估时，该负责人表示，如今开发者的代码产出量大幅提升，从前一天写一千行代码已是不错的成果，现在一天能生成上万行代码。但核心要求变成了开发者能否掌控这些代码，以及在出现问题时能否快速定位并修复。除了基础的计算机能力，知识迁移能力与复杂系统掌控力也成为重要的考察点。

关于从“通才大模型”转向“专才 Agent”的原因，专家提到，大模型本身并未遇到瓶颈，但面对大型项目时，庞大的代码量、业务知识与演进历史不在训练数据中，会带来推理时间与成本的提升。因此，需要将 AI 作为资深工程师对待，为其提供充足的业务背景、项目知识与代码架构信息，让 AI 能更好地适配具体项目。

在影响 AI 编码效果的因素中，专家认为模型能力虽重要，但对工程人员来说可控性较低。更关键的是“上下文工程”与“测试环节”：前者需要为 AI 构建业务与架构知识的上下文系统，帮助 AI 熟悉项目；后者则是当前 AI 的短板，AI 难以完成端到端测试，更多依赖白盒测试，无法真正保证代码质量。

对于大型工程中的架构问题，某视频平台的技术专家表示，大型项目的架构是网状依赖而非简单的有向无环图，核心问题是理清代码之间的依赖关系。此外，共享开发环境能打破工程协作的边界，让开发者可以基于他人的环境继续工作，提升 AI 编码的效率。

关于 AI 代码评审的挑战，某电商平台的研发专家指出，当前 AI 评审存在假阴性与假阳性两大问题：假阳性会消耗开发者的信任，导致告警疲劳；假阴性则会遗漏严重的代码问题，带来灾难性后果。为解决这些问题，团队将评审工作转移到工程层面，通过架构设计、CI 测试、人工审核等方式提升代码质量，而非单纯依赖模型。

在谈及 AI 对软件工程基础设施的影响时，专家认为，AI 时代传统的工程基建（如测试、构建、CI/CD）反而更加重要。稳定的构建系统能大幅提升 AI 编码的效率，而架构设计则是承载 AI 协作的基础。

关于研发团队的未来形态，专家提出，未来开发者将负责三件事：拆解问题并清晰描述给 AI、最终验证 AI 生成的代码质量、维护 AI 时代的工程基建。同时，AI 辅助编码不会完全替代传统流程，而是会催生新的研发模式，比如超级个体开发者能借助工具完成全栈开发。

在筛选使用 AI 的项目经验时，专家建议，面试官可以通过现场测试考察候选人的问题拆解与需求澄清能力，判断其是否真正理解项目逻辑，而非单纯复制代码。

最后，关于 AI 时代的研发效能衡量，专家认为不应过度依赖传统指标，而应关注“不给上下游添麻烦”的实际价值，通过交接打回率等辅助数据评估效能，帮助团队更高效地协作。