2026-03-11 07:43:00
生成式 AI 正在迅速进入软件开发流程。从最初的代码补全工具，到能够执行复杂任务的智能体，AI 在开发中的角色正在不断扩大。 然而，在许多组织中，人们仍然把 AI 编程理解为一种工具升级：更聪明的 IDE 插件、更强大的代码生成器，或者更方便的技术问答助手。 这种视角很容易低估 AI 对软件工程的真正影响。 在越来越多的团队中，AI 不再只是提供建议，而开始参与实际开发任务，例如生成模块、运行测试、修复错误，甚至创建 Pull Request。软件开发正在逐渐从 **“人使用工具”** 的模式，转变为 **“人与 AI 协作”** 的模式。 为了理解这种变化，我们可以借鉴 **Agile Fluency Model** 的思想，将 AI 编程看作一种能力演进，而不是一次性的技术 adoption。这种能力演进，可以称为 **AI Coding Fluency**。 # AI Coding Fluency 模型 AI Coding Fluency 描述的是团队在使用 AI 进行软件开发时逐渐形成的一组能力。这些能力不仅包括 AI 工具的使用方式，还包括人机协作模式、工程系统支持、质量治理以及上下文管理。 随着团队能力的提升，AI 在开发流程中的角色也会逐渐发生变化。从最初的辅助工具，到能够执行复杂任务的智能体，开发者与 AI 之间的分工不断演进。 下表展示了一个典型的 AI Coding Fluency 演进模型。 | Fluency Level (流畅度) | Human-AI Collaboration (人机协作) | SDLC Coverage (生命周期覆盖度) | AI Engineering Harness (工程化支撑) | Governance & Quality (质量与治理) | Context Engineering (上下文工程) | |-----------------------------------|-------------------------------|-----------------------------------|------------------------------------------|-------------------------------------|----------------------------------------| | **Awareness
2026-03-10 21:45:00
生成式 AI 正在快速进入软件开发的核心流程。从最初的代码补全工具，到能够生成完整模块的 Coding Agent，再到可以自主修复
2026-03-02 16:22:00
尽管我们可以用最好的模型完成所有的事情，但是约束才是我决定写这篇文章的一个出发点：约束越多，问题就越好玩。
2026-02-24 13:22:00
> Routa 是一个 **“工程化的多 Agent 协作框架”**：它把任务、状态、事件和执行拆成可控模块，让开放生态下的多 Agent 系统可以真正落地，而不是靠
2026-02-09 15:20:00
最近，我们在 AutoDev 中集成了 ACP 协议，使用它进一步优化 AutoDev 的跨平台渲染架构，在提升 AutoDev 的同时，也兼容了其它智能体。由于，ACP
