AI时代的研发新范式

大模型的快速发展和应用，已经在逐步重塑很多行业的运作模式，软件研发领域或许来的更早！

作为工程师，需要提前思考AI时代的研发新范式，才能为这场变革做好准备。

前一段在腾讯云技术沙龙分享了我的一些感受和思考，获得了不少行业朋友的认同，在这里整理成文章，期待和更多的朋友分享交流。我的分享从行业趋势、重塑范式、机遇挑战、个人成长四个方面展开，探讨我所看到的和一些思考。

一、行业趋势

大语言模型LLM这个技术很早就有了，但直到2022年OpenAI发布了ChatGPT，人类更直观的感受到了大模型的智能涌现，人类进入了大模型时代，2022年也被称为大模型元年。

随着行业关注度和资源投入的提升，大模型的能力伴随着“Scaling Law”进入到了快速发展阶段。春节期间一张ARC-AGI Benchmark测试成绩趋势图引起了行业的广泛关注，图中显示了OpenAI的大模型发展演进情况，ARC-AGI Benchmark Score在2024年提升趋势异常陡峭；从用户感受上，大模型的每一次升级，其智能水平都会有显著的提升，给人们带来了全新的体验。

在这期间，多家公司进入到大模型训练研发领域，除了传统的行业巨头，比如Google、Meta、X等，也涌现出一批很有潜力的创新创业型公司。

进入到2025年大模型已经从一家独大、百模大战，进入到头部内卷的时代。Google凭借其深厚的技术底蕴奋起直追，Anthropic的Claude模型在编码领域表现出领先的效果；国内的大模型也是发展迅速，特别是DeepSeek V3和R1的发布，用相对较少算力实现了与最强大模型相当的性能，实现了低成本的大模型训练工程架构新模式，并且以开源的形式呈现，近乎打破了OpenAI的算力Scaling Law的神话。DeepSeek的出现，进一步激起了大模型领域的竞争。在代码领域，Claude3.5一直是AI辅助编程的标杆大模型，随后Claude3.7的出现让AI辅助效果再次提升；DeepSeek推出DeepSeek v3-0324在编码、数学领域也表现出很好的效果；谷歌推出Gemini2.5 Pro，在某些大模型评测中甚至一度超过Claude；OpenAI看到代码领域这么火，也推出了GPT4.1强化代码场景的能力。

伴随着大模型能力的快速提升，AI在行业的应用也是如火如荼，并且开始逐步改变很多行业的工作模式；其中，智搜、AI Coding、具身智能成为最受行业关注的三大AI应用领域。

说到和工程师最相关的AI Coding领域，也是受资本市场高度认可，比如Cursor、Windsurf等估值已经达到百亿美元。

有媒体报道，Cursor作为行业头部的AI Coding工具，其母公司Anysphere正在以100亿美金寻求融资（最终是以90亿美金完成融资），该数额是其ARR的25倍；Windsurf的开发商Codeium也正在以30亿美元的估值寻求融资，该数额是其ARR的70倍。就在前几天，有消息称，OpenAI有计划以30亿美元收购Windsurf，震动整个行业。由此可以看出，整个行业对AI Coding方向的认可。

大模型在AI Coding方向的竞争也非常激烈，根据大模型竞技场的评测，Claude3.7不再是断崖式的领先，DeepSeek v3-0324在编码领域也展现出较好的水平，甚至Gemini2.5 Pro在某些场景测试表现超过了Claude3.7 。

相信关注AI Coding的朋友在前一段都关注到，OpenRouter推出了Quasar Alpha和Optimus Alpha，在著名开源项目RooCode评测中，它们接近了Claude3.5的水平；特别是Optimus Alpha，性能居然能够达到惊人的100token/s，开发体验大幅提升；随后不久，OpenAI发布了GPT-4.1；社区传言，目前没有确凿证据表明 Optimus Alpha 就是 GPT - 4.1，但有诸多线索显示二者可能存在紧密联系。

随着大模型能力的不断提升，业务应用会越来越广越来越深。潘多拉魔盒已经打开，AI技术革命已经开始改变各个行业。这一轮变革不仅仅是工具提效，而是工作模式的改变！

二、重塑范式

在AI Coding领域，随着大模型能力的不断提升，AI辅助编程方式也在不断进化，效率越来越高。

最早GitHub Copilot提出的代码辅助编程方式是代码补全，这比传统的编译器补全更加智能，可以很好的提升工程师编写代码的效率；但后来Cursor依托Claude等大模型的出色能力，推出了InLineEditor等多文件编辑辅助方式，这让Cursor一跃成为代码辅助工具领域的明星；后来，Devin的推出AI程序员，伴随着大模型能力的进一步提升，Agent模型逐渐被人们接受，Cursor、Windsurf等纷纷把Agent模式作为其默认辅助开发模式。AI辅助编程方式的进化，让人工参与变得越来越少，辅助效率变的越来越高。

AI辅助编程方式的演进，也让工程师的角色逐步发生了变化；在AI辅助代码补全的方式下，工程师还是编码开发的主导者；到了多文件编辑阶段，很多的代码都是AI生成，人类就像导师一样进行代码的review；到了Agent模式下，由于AI会根据用户的需求自动生成大量代码，工程师可能无法全部review所有代码，工程师的职责更多的转为架构的设计，以及像TeamLeader一样去管理多个专项Agent完成项目目标。

​​目前我们在用Agent模式去完成制定任务是，我们很多时候还需要进行2-3轮的修改，有时候对于复杂任务甚至要5-6轮。但随着大模型能力的进一步提升，Agent模式能力越来越强，效果越来越好。再加上一些工程流程辅助，AI Agent将可以独立完成特定任务。

当大模型能力达到某个高度，AI Agent效果到达一定水平，​研发模式上，单人研发小组将会越来越普遍。原来一个研发团队是1个TeamLeader带领n名工程师，未来可能是一个TeamLeader管理n个AI Agent。这种模式下，要求每个工程师不仅要具备架构规划能力，还要有技术管理能力。

三、机遇挑战

AI Coding重塑软件研发新范式这是目前行业技术发展大趋势，现在各个公司、开发者都在进行相关的探索。

作为技术团队，需要跟随大模型的能力提升，不断扩大AI在业务开发中的应用范围。在大模型能力还有限的阶段，尝试在小任务、简单任务中探索AI辅助开发方式；随着大模型能力的不断提升，可以逐步在中型复杂度项目中更多的应用AI辅助开发；通过这个过程，可以让工程师和团队逐步熟悉大模型的能力边界，积累AI Coding的经验，提升团队整体的研发效率。

在研发流程上，除了编码阶段，在单元测试，代码review，架构设计，甚至需求分析等阶段，都可以逐步尝试AI辅助提效，让AI成为你的助手，你结对编程的伙伴，最终成为你私有团队的一部分。通过积极探索AI Coding的能力边界，让AI逐步赋能到研发全流程，逐步实现端到端的全流程AI辅助开发环境，将会大幅提升团队研发效率。

这个探索过程，对团队来讲也会面临一些选择和挑战，最典型的需要思考以下几个问题：

问题一：当前形势下，AI Coding的能力应该是外采还是自研？

这个选择没有对错，但各有利弊；每个团队管理者需要根据团队情况、业务类型进行相应的选择。

目前外采第三方AI Coding工具也有很多选择，Cursor、Windsurf被公认行业最好用的AI Coding工具，国内也有通义灵码、百度快码、字节trae等也各有特点。外采的优势是方便，易用，这样应用起来效率高。但代码毕竟是公司的核心资产，AI Coding过程中要上传大量的代码上下文，代码安全问题需要根据业务类型进行评估，特别是对Cursor、Windsurf等国外服务，还涉及数据出境，需要团队管理者进行相关评估。自研需要一定的人力投入和模型部署成本，但好处是安全、可控，并且可以结合公司的基础设施进行相应扩展。行业里也有很多开源的AI Coding工具，比如Cline，RooCode等。感兴趣的同学可以去研究一下，对AI Coding的底层原理应该会有更好的理解。

还有一个引申思考的问题：AI Coding是工具还是服务？（Cursor为啥值100亿美金？）

问题二：AI  Coding深入应用，对哪类工程师提效最显著？

在我们的AI辅助推广实践中，我们发现2个有趣的现象：一个在大模型辅助编程应用初期，资深工程师对AI辅助最不屑，他们会认为AI辅助的效果远达不到他们的预期，他们觉得还不如自己手写的快，还不如自己手写的靠谱。反而是初级工程师、跨领域工程师，或独立开发者，认为AI辅助真是太好用了；比如一个后端工程师要写个管理后台，他用AI辅助其写前端界面，很快就实现了，太爽了。二是在大模型能力提升后，在实际的业务项目应用过程中，反而对资深工程师的提效效果最大，因为资深工程师具有更好的架构规划和任务分解能力，特别是在Agent模型大范围应用后，他们更擅于把一个大项目拆解成多个独立任务，让不同的AI Agent去实现。

总结来讲，对于AI辅助开发的应用，初级工程师更容易获得成就感，高级工程师实际提升效率会更高。所以，AI Coding模式下，对工程师的要求不是变低了，反而变高了，如何让团队的工程师适应这种变化，对团队是一个不小的挑战。

引申思考：这种情况下，年轻工程师如何快速成长？

问题三：在有些场景下，AI Agent不靠谱怎么办？

真正实践过AI Coding的同学都知道，AI Coding并不是像社交媒体上宣传的那么完美，特别是在任务描述没有那么清楚，或者上下文不全的情况下，需要多次人工的参与和修正。甚至对于复杂任务，修改了7-8次后，把原有代码结构都搞乱了。上面那张图是@宝玉xp ​ ​宝玉老师之前发的一条微博，形象的说明了AI Agent有时会多么不靠谱，在微博上引起了很多网友的共鸣。

​对于团队管理者，需要深入感知大模型的发展状态，了解行业应用进展，从而预判当前大模型的能力边界，再结合团队的业务情况，进行适当的推广和应用。上面这段话的中的“适当的推广和应用”会让你觉得很虚，什么是“适当的”？这确实很考验团队管理者，如果应用推广慢了，团队效率会落后于行业，如果应用推广过快，也可能引发研发问题，甚至引起线上业务问题。

​所以 ，作为团队管理者，需要建立起一套机制，既能让团队积极探索实践新技术，又能避免引起线上业务的问题，对于AI Coding目前阶段，基本就是要做培训、建机制、分场景。​做培训是要增强工程师的review和安全意识，既要看到AI的辅助提效能力，也要注意其幻觉和使用安全；建机制是通过提升单元测试和集成测试的覆盖，及时发现潜在的问题，毕竟AI Agent的模式深入应用后，全量reviewAI生成的代码也是不小的工作量。分场景是要根据业务的场景来区分AI辅助应用的深度，特别复杂的大项目，AI Agent辅助方式值得探讨。

​引申思考：谁该最终对软件研发交付负责？

四、个人成长

我们这代人经历了互联网的高速发展阶段，我们会相信世界唯一不变的是变化。

我们会坚信：新技术就是第一生产力！“持续学习”应该是我们这代技术人的一个特质，在AI时代，亦是如此！同时，“关注行业”也非常重要，行业趋势和同行的经验，能够让你少走弯路，跟上时代。

关注行业，持续学习！对工程师个人成长非常重要！

AI时代，整个世界的变化将会更快更大，技术人需要用AI不断拓展自己的能力边界。因为，AI时代，对工程师的要求不是变低了，而是更高了。AI模式下，单人研发小组的模式将会越来越普遍，单人公司的情况也可能会出现。有了AI，一个后端工程师可以成为一个全栈工程师；一个产品或运营也可以通过AI辅助来写代码。前一段我们举办了新浪集团黑客马拉松大赛，有一组选手让我印象深刻，他们是由一个技术和两个分析师组成的参赛团队，利用AI Coding的辅助，在众多技术团队中脱颖而出赢得优胜奖，写代码不再是技术人的专属，分析师也能赢得编程大赛的奖杯。同样，一个技术人可以快速拥有产品、运营的某些技能，做出出色的产品，拥抱AI，不断为自己赋能。

AI加持下，每个人都有具备全栈能力的潜力，而行业中最需要和最受青睐的，正是这样的人才。

关注行业，持续学习，勇于实践，不设边界。一起加油！