在这里，自评AI Coding成熟度级别，Get进阶下一步路线图

很多企业做 AI Coding 交流，反复听到同一个问题：

"我们用了 AI Coding，但到底算成功还是失败？"

试点团队说成功——代码生成率 40%，交付速度提升 30%。

其他团队说失败——跨团队推不动，资产复用率不到 10%。

财务说不知道——ROI 算不清，预算每个季度都要重新解释。

答案不在感觉里。答案在成熟度里。

让你不再靠感觉说"做得好不好"，而是靠指标说"我们在第几级"。

一、如何评估？

核心结构

为什么是 5 级？因为 AI Coding 的成熟过程中有 4 个清晰的质变点：

1. 1. L1→L2：从个人到组织（有没有书面合规 + 第一批资产入库）
2. 2. L2→L3：从试点到全面（能力是否长进组织的骨头，不再依赖某几个人）
3. 3. L3→L4：从经验到数据（指标是否真的改变决策）
4. 4. L4→L5：从跟随到定义（方法论是否被外部引用）

二、L1-L5 典型场景：你的团队在哪一级？

通过 5 个真实场景（脱敏），让你快速对号入座。

场景 1：工程师自费买 AI 工具 → L1

场景：

某制造企业，3 个工程师自费用 Cursor 写代码，产出了 5 个工具脚本。

公司 IT 不知道，合规没审批，费用自己承担。

有人离职后，没人知道这些脚本怎么用。

判定：L1 · 个人探索

• ❌ 无书面合规许可
• ❌ 无预算
• ❌ 资产未入库（绑定在个人手里）
• ❌ 组织看不见

一句话定义：组织看不见，使用在发生。

场景 2：试点团队交付速度提升 30% → L2

场景：

某金融机构，1 个试点团队用 Spec Coding，交付速度提升 30%，代码生成率 40%。

产出初版 AGENTS.md 和 3 个团队 SKILL。

但其他团队说"等你们试成了我们再说"，18 个月没推进。

ROI 说不清，预算每季度重新解释。

判定：L2 · 企业试点

• ✅ 有书面合规许可与预算
• ✅ 有第一批资产入库
• ❌ 跨团队推不动（资产孤岛）
• ❌ ROI 说不清

一句话定义：试点团队顺手，但跨团队推不动。

关键提醒：L2 是最容易"卡住"的等级。试点团队数据好看，但跨团队推不动，18 个月原地踏步很常见。

场景 3：SKILL Hub 三层治理跑通 → L3

场景：

某头部科技公司，SKILL Hub 完成三层治理（团队/项目/个人）。

新员工入职第一周学 AGENTS 与 SKILL Hub。

PR-Spec 关联率 75%，AI 代码评审通过率 85%。

四项指标有稳定的周报与月报。

判定：L3 · 全面使用

• ✅ 规范走到正式版本（有语义化版本号）
• ✅ SKILL Hub 三层治理跑通
• ✅ 过半工程师日常使用
• ✅ 四项指标稳定运行

一句话定义：能力长进组织的骨头，不再依赖某几个人。

关键提醒：L3 的核心标志是"能力长进组织的骨头"——新员工入职第一周就能产出合格代码，不依赖老员工。

场景 4：用数据推翻原有判断 → L4

场景：

某互联网企业，DORA 四项 + AI 专属六项连续采集 12 周。

月度评审会上，数据显示"SKILL 调用率高但拒审率也高"。

原计划"加大推广力度"被推翻，改为"先优化 SKILL 质量"。

飞轮机制跑通：使用的人越多，贡献的人越多。

判定：L4 · 量化驱动

• ✅ 指标连续采集 8 周以上（实际 12 周）
• ✅ 出现过因为数据推翻原有判断的会议
• ✅ 飞轮机制跑通

一句话定义：决策从经验转向数据，指标真的改变决策。

关键提醒：L4 最硬的判定标志不是采了多少指标，而是指标是否真的改变了决策。

场景 5：GitHub 1500+ Star 被引用 → L5

场景：

某公司开源核心 AGENTS 模板与 SKILL Hub 脚手架。

GitHub Star 1500+，3 家独立企业成功复现。

受邀在 QCon 大会分享，术语被同行引用。

新入行的公司把他们的规范当作参考起点。

判定：L5 · 研发范式

• ✅ 核心资产开源
• ✅ 独立第三方企业成功复现
• ✅ 头部社区正式输出
• ✅ 被当作参考起点

一句话定义：方法论被外部引用，组织正在定义最佳实践。

关键提醒：能走到 L5 的组织不以"做得更好"为目标，以**"可被复制"**为目标。

三、L1-L5 全景对比

四、30 题完整自评：如何定位你的等级？

6 大支柱

完整 30 题（每题 5 个选项对应 L1-L5）

P1 · 意图规范（Q1-Q5）

Q1：你们是否有统一的 Spec 模板？

• L1：完全没有，每人各写
• L2：有模板但仅部分在用
• L3：部分团队使用统一模板
• L4：全公司使用但无强制
• L5：全研发必走 + CI 卡点

Q2：Spec 是否有版本号管理？

• L1：无版本，最新覆盖
• L2：有但人工维护
• L3：有版本号无发布流程
• L4：语义化版本管理
• L5：语义化版本 + CI 锁定

Q3：Spec 字段之间是否一致性对齐？

• L1：从不对齐
• L2：人工偶尔对齐
• L3：部分项目对齐
• L4：全公司对齐但手动
• L5：CI 自动扫描漂移

Q4：PR 是否要求关联 Spec 字段？

• L1：无要求
• L2：推荐不强制
• L3：部分项目强制
• L4：全公司强制无检查
• L5：模板强制 + CI 卡点

Q5：Spec 评审是否有架构师参与？

• L1：从不
• L2：偶尔
• L3：部分项目
• L4：全项目但无否决权
• L5：每次必到 + 否决权

P2 · 上下文记忆（Q6-Q10）

Q6：是否有 AGENTS.md / Rules 管理？

• L1：完全没有
• L2：项目级单层
• L3：部分团队 4 层
• L4：全公司 4 层无继承
• L5：4 层完整继承链

Q7：企业知识库是否版本化管理？

• L1：无知识库散文件
• L2：有但无版本
• L3：有版本无标签
• L4：版本化 + 元数据标签
• L5：版本化 + 标签 + 自动索引

Q8：长会话上下文是否有锚定机制？

• L1：全靠 AI 记
• L2：人工复读关键约束
• L3：部分会话 Pin
• L4：系统消息池
• L5：消息池 + Pin + 自动续期

Q9：RAG 是否按语义切片？

• L1：无 RAG 整文档灌
• L2：按段落切
• L3：按语义切无阈值
• L4：语义切片 + 阈值
• L5：语义切片 + 阈值 + 动态

Q10：AI 修改决策是否可追溯？

• L1：无记录
• L2：偶有 Commit 描述
• L3：关键决策有记录
• L4：全记录无结构化
• L5：AIDR 机制决策账本

P3 · 人机协作（Q11-Q15）

Q11：协作模式是否按任务类型选择？

• L1：一律 Vibe
• L2：凭经验选
• L3：部分有矩阵
• L4：全矩阵无培训
• L5：G1~G6 + 矩阵 + 培训

Q12：Agent 编排是否有治理？

• L1：自由跑无限制
• L2：单 Agent 限权
• L3：多 Agent 无沙箱
• L4：多 Agent + 基础沙箱
• L5：多 Agent + 沙箱 + 审计

Q13：Harness 工程是否到位？

• L1：无 Harness 裸调
• L2：有基础日志
• L3：日志 + 重放
• L4：日志/重放/成本
• L5：完整 Harness 四件套

Q14：敏感操作是否有审批 + 回滚？

• L1：直写生产
• L2：有审批无回滚
• L3：审批 + 基础回滚
• L4：审批 + 沙箱 + 回滚
• L5：审批 + 沙箱 + 回滚 + 演练

Q15：CLI 集成是否生产化？

• L1：仅 IDE 内
• L2：偶用无审计
• L3：常用有日志
• L4：CLI 白名单 + 审计
• L5：白名单 + 审计 + CI

P4 · 质量安全（Q16-Q20）

Q16：是否有 AI 坏味道扫描？

• L1：完全没有
• L2：人工 Review 留意
• L3：部分自动扫描
• L4：全项目扫描无 CI
• L5：35 坏味道 + CI 卡点

Q17：AI Code Review 链是否多级？

• L1：单级或无
• L2：两级 AI+人
• L3：三级未串联
• L4：三级串联无 SLA
• L5：多级串联 + SLA + 升级

Q18：幻觉引用是否有机制拦截？

• L1：无机制
• L2：偶 CR 人工拦截
• L3：有检查无自动
• L4：Lint 自动拦截
• L5：Lint + 失败 CI 红灯

Q19：测试是否有"假绿"检测？

• L1：完全没有
• L2：偶尔发现
• L3：有检查无自动
• L4：断言完整性扫描
• L5：扫描 + 假绿预警 + 巡检

Q20：合规是否前置而非事后审查？

• L1：上线后才审
• L2：Release 前审
• L3：提交时部分扫描
• L4：提交即合规扫描
• L5：Spec 阶段合规 + 全链路

P5 · 效能回报（Q21-Q25）

Q21：是否有引入 AI 前的基线数据？

• L1：完全没有
• L2：部分指标有
• L3：有 DORA 基线
• L4：DORA + SPACE
• L5：DORA+SPACE+采纳率三层

Q22：采纳率是否看"后续返工"？

• L1：只看接受率
• L2：看 7 天留存
• L3：看 30 天留存
• L4：留存 + 回滚率
• L5：30 天留存 + 回滚 + 分析

Q23：ROI 是否可量化？

• L1：情绪化凭感觉
• L2：部分量化
• L3：有 ROI 报告
• L4：有 ROI 方法论
• L5：可复算 + 审计可追溯

Q24：指标是否"三条腿"走路？

• L1：仅效能
• L2：效能 + 质量
• L3：三腿无反向
• L4：三腿 + 反向
• L5：三腿 + 反向 + 月度复盘

Q25：度量是否驱动决策？

• L1：不用于决策
• L2：仅作参考
• L3：部分决策用
• L4：月度复盘
• L5：每月复盘 + 目标调整 + OKR

P6 · 组织文化（Q26-Q30）

Q26：Skill 是否中台化？

• L1：各人各自保存
• L2：团队 Wiki
• L3：部分项目中台
• L4：全公司 SKILL Hub
• L5：企业 Hub + 治理

Q27：培训是否沉淀为 Skill？

• L1：培训完就忘
• L2：有录播回放
• L3：培训产出文档
• L4：产出 Skill 入 Hub
• L5：培训→Skill→更新链路

Q28：架构师是否参与 AI 规范制定？

• L1：完全不参与
• L2：被动审查
• L3：参与无否决权
• L4：主动制定规范
• L5：主动 + 负责制 + 否决权

Q29：合规/法务是否同步上车？

• L1：事后才参与
• L2：立项阶段参与
• L3：部分环节参与
• L4：Spec 阶段参与
• L5：Spec + 全链路 + SLA

Q30：是否有"人机混编"正式编制？

• L1：仅人类编制
• L2：试点岗位
• L3：部分正式岗
• L4：正式岗 + 考核
• L5：正式岗 + 考核 + 招聘标准

等级判定逻辑

总分计算：30 题 × 4 分 = 满分 120 分

等级映射：

• L1：1-24 分
• L2：25-48 分
• L3：49-72 分
• L4：73-96 分
• L5：97-120 分

短板限制规则（防止"偏科"）：

• 如果任一支柱得分 < 4 分，等级 -1
• 如果 P5（效能回报）< 6 分且等级 > L2，强制降为 L2

示例：

某企业总分 68 分（应 L3），但 P4（质量安全）仅 3 分 → 降为 L2

某企业总分 80 分（应 L4），但 P5（效能回报）仅 5 分 → 降为 L2

五、下一步：L→L+1 进阶路径

知道"在哪一级"只是第一步，关键是下一步做什么。

L1 → L2（2-4 周）

1. 1. 选 1 个场景做试点（推荐：坏味道体检）
2. 2. 搭建 AGENTS.md 第 1 层（组织层）
3. 3. 建立 1 个基线指标（DORA / 采纳率 / 返工率）

L2 → L3（3-6 个月）

1. 1. 建企业 SKILL Hub（Skill/Prompt/AGENTS.md 集中化）
2. 2. 架构师参与 AI 规范制定（有否决权）
3. 3. 度量从单腿变三腿（DORA + SPACE + 采纳率）

L3 → L4（6-12 个月）

1. 1. 指标驱动月度复盘（30 题自评列入季度 OKR）
2. 2. SKILL Hub 做治理（高频/低频/淘汰三桶分层）
3. 3. 引入反向指标（满意度/假绿率/回滚率）

L4 → L5（12-24 个月）

1. 1. 开源核心方法论/工具链，接受社区共建
2. 2. 参与行业标准制定（加入标准委员会/发起 RFC）
3. 3. 做第二曲线（反哺行业，输出商业产品）

成熟的标志不是"我们用 AI 写了很多代码"，而是"新员工入职第一周就能产出合格代码"。

代码生成率 40% 不代表成功。交付速度提升 30% 不代表成功。

真正的成熟度指标只有一个：能力是否长进组织，而不是绑定在几个人手里。

如果当前阶段评级不高，不重要，更重要的是找到晋级下一阶段的路径。

《企业级AI Coding成熟度模型》PDF已开源至GitHub

https://github.com/lvzhaobo/mumu-coding/

图片