产品与落地实践

◼行业AI4SE发展现状与挑战 ◼腾讯AICoding产品的建设思考◼AI4SE未来规划与发展方向 AI逐渐赋能软件全生命周期，提升研发效率 围绕软件全生命周期，以提高质量和效率为核心，以解决问题为点，用AI全面使能，推动智能化进程 当前AI4SE（工程智能化）的建设成效与瓶颈 自动化程度提升 研发提效 研发增质 AI原生开发集成环境问世 企业对软件工程的智能化转型呈现乐观态度，对提高研发效率、软件质量等方面表示出期望 专注于编码场景，智能单体工具替代重复性工作，渐近探索软件工程新工作模式 复杂工程理解与处理能力不足 •大规模项目代码量超出模型处理窗口•跨模块一致性与全局依赖关系识别失效•基础服务链接能力缺失（BaaS） ◼行业AI4SE发展现状与挑战 ◼腾讯AICoding的建设思考 ◼AI4SE未来规划与发展方向 腾讯研发效能体系 腾讯研效工具平台是同时支撑腾讯各业务线的通用工具平台 设计，研发，运维全链路 统一技术标准和最佳实践，提升工具效能 打破工具孤岛，提高跨团队协作效率 统一资源池，提高资源利用率 鉴于通用工具平台带来的可观研效提升腾讯集团持续高投入的进行通用研效能力建设 腾讯AICoding的目标与使命 目标&使命 建设腾讯云高人气AI应用产品，提升AICoding产品力和自主可控，最终赋能国内企业研发效能提升。 探索AI软件工程新范式，提升腾讯集团的整体研发效率，最终实现产品创新提速。 CodeBuddy产品形态 为了服务好腾讯内部各业务线CodeBuddy演化出针对ToB支撑的产品架构 CodeBuddy通过多端接入，统一管理的产品形态支持腾讯集团的各方面业务 不同业务线在工作流，开发环境，技术管理上的需求高度不同 CodeBuddyPlugin适配企业研发流程，无缝接入，快速推广 CodeBuddyPlugin–企业级AI辅助开发插件。作为轻量级、非侵入式的集成方案，CodeBuddyPlugin能够无缝嵌入现有开发环境（Vscode、JB、Xcode、VS、微信IDE等），在不改变团队工作流的前提下提供智能编码支持。该形态深度适配企业研发规范与设计约束，覆盖前端、后端及数据开发等多角色需求，通过规约编程确保AI生成的代码符合组织标准，是企业规模化落地AI编程的首选方案。 •多端兼容，无需改变用户习惯；•Ask/Craft两种智能体形态；•集成企业知识库，自定义指令 编码智能体： 冗长度高的代码编写，使用代码补全了解工程架构，快速上手，使用Ask模式软件功能开发，代码优化，使用Craft模式 企业知识融合： 业务知识库+核心代码知识库业务流程规范Rules+研发编码规范Rules效能工具MCP+公共服务MCP TencentDesign专业AI辅助设计，多角色在线协同 TencentDesign：定位为集团替代Figma的设计产品软件，将设计软件，设计编辑、设计协同管理和AI设计稿辅助生成集成于一体，支持browser、app和小程序多端登陆编辑/协同，涵盖产品经理，设计师和前端程序员三个不同角色。相比于传统设计软件，腾讯设计可以实现多用户在线编辑协同，根据设计资产AI生成UI，并无缝集成于CodeBuddy。 •多端支持B/S、C/S和微信小程序；•支持需求草图和专业设计；•AI辅助，根据资产生成UI 专业设计： 需求草图/高保真等设计图/稿的编辑图生UI、文生UI和基于设计资产的UI生成超大设计稿在线编辑，秒级渲染 设计协同： 多用户同时在线编辑，实时对齐交互/设计需求按组织分权限管理设计资产设计资产统一规范和管理 CodebuddyIDE一站式AI工作台，打通产设研 CodeBuddyIDE–定位为AI一站式工作台。原生集成Figma和腾讯设计，产品经理，设计师和前端程序员在同一工作平台，使用自然语言实现产品规划、设计和研发全流程。原生支持Spec+TDD的AI时代开发方式，智能链接TAPD，Figma等产设研核心工具，高度融入开发工作流。提供产设研一体化的智能开发体验。 •支持设计模式，D2C设计稿高度还原；•支持计划模式，完善的记忆与上下文管理•支持对接CloudBase、Supabase一键部署 Spec智能编码场景：根据需求，生成架构设计和开发计划 基于架构设计，安装项目依赖基于开发计划，进行模块化开发基于命令行输出，进行模块测试 产设研一体化场景：根据figma设计稿生成前端页面根据Tapd的Bug单，进行代码分析 CodebuddyCode（CLI）终端工具，无缝集成运维开发场景 CodeBuddy Code-基于命令行的AI编程解决方案。通过简洁的命令行交互，提供批量代码生成和重构能力，完美集成CI/CD流程。相比IDE和插件，CLI舍弃了代码编辑环境，换取启动快、资源占用低、高度脚本化的优势，让AI编程真正融入开发工具链，实现全流程自动化赋能。 •命令行原生，贴合Linux开发理念•适应自动化和并发任务•企业规约编程，从编程助手向AI程序员 开发运维场景：CI/CD管道中的自动化代码生成 大规模代码库的批量重构和迁移服务器端开发和部署脚本编写代码审查和质量检查自动化 团队协作场景：标准化代码模板生成 跨项目的代码规范统一文档和配置文件自动生成版本发布和打包流程自动化 BackgroundAgent支持接入各类研发管理系统 BackgroundAgent支持通过沙盒的方式，内置Codebuddycode并组成一个包含模型、工具、环境、指令、智能体共同协作的专属上下文环境，用于处理特定的任务，让Codebuddycode可以准确的完成研发任务。 •专属上下文沙箱环境•自定义工具、环境、智能体•无缝集成到各类研发系统 对接研发管理系统：对接需求管理，实现需求自动拆解 对接代码仓库，实现任务自动开发对接缺陷系统，实现缺陷自动修复对接测试系统，自动化测试脚本 对接消息通知系统：对接企业微信机器人 安全智能体 安全智能体–单元测试代码生成 集成腾讯TCA专业代码分析工具，提供精准的代码质量检测能力。可以更好的保障代码安全，并加快代码修复速度。 •代码缺陷•代码规范•安全漏洞扫描•无效代码 基于沙盒环境的后端自动修复： 基于IDE编码智能体的人工选择修复： 架构分析智能体 Repo Wiki–代码知识文档维护解决方案 通过在平台创建代码知识库并绑定GIT仓库，系统将实时监听代码变更。自动生成最新的代码知识文档，显著提升开发团队的协作效率，降低文档维护成本。 •解决知识文档无人编写、无人维护的问题•解决代码工程与知识文档同步不及时的问题 实时生成代码知识文档：绑定Git仓库，实时监听代码变更，并实时更新/维护各工程的代码知识文档。 辅助生成技术类文档：能够智能生成架构图、业务流程图、组件图、依赖关系图、类图与数据流图等，辅助架构师生成所需的技术类文档。 腾讯内部CodeBuddy落地情况 能力层–多端接入，生态兼容 2025年4月对内发布目前腾讯内部周活跃7000+ 技术资产层–面向工作流，私域信息接入 BackgroundAgent RAG MCP SDK类：UE4，UE5，七彩石，北极星，tRPC，Ugit，TDE，蓝盾，蓝鲸，Tea框架，TMP网管平台，TencentOS，TDBank，AnyDev等40+SDKRAG私域信息类：8000，T2000，证书服务，腾讯软件源 内置MCP： AICR Agent：2024年底与王者荣耀团队开始共建现已经交付英雄联盟，腾讯新闻等10+大型团队使用中RepowikiAgent：25年Q4集团内外同步上线安全Agent：建设中 MCP市场： 模型层–开放接入 自定义模型 私有模型 腾讯AICoding软件工程新范式的落地飞轮 •用户活跃度•补全次数&生成率•采纳代码行数•智能体调用次数•… 结合一线应用，打造丰富实践库 •新手入门指南•需求生成代码•详细设计生成代码•数据库ORM映射•生成单测用例•工具集成（打通iwiki，TAPD）•架构优化（代码重构等）•性能调优•问题排障（bug定位，修复）•团队协作（Rules，知识库）•... 产品功能迭代 •AICR代码评审•AI架构分析•企业MCP市场•企业Rules市场•企业知识库市场•... ◼行业AI4SE发展现状与挑战◼腾讯AICoding产品的建设思考 ◼AI4SE未来规划与发展方向 AICoding：从AI助手到AI工程师，再到AI开发团队 随着从基础代码补全到全生命周期开发的AI编码工具涌现，编程行业正在经历快速变革。借鉴自动驾驶分级标准，将这些工具划分为五个层级：L1至L5。 未来展望 核心能力 层级 2027年达成L5，AI在编码中的作用正从语法辅助转向全生命周期管理。 文件级代码生成 L1 专注于代码补全和对话式提供代码生成意见。这类工具通过智能建议显著提升编码效率，已成为现代开发环境的标配，为更先进的AI工具奠定基础。 L2 L3 AI软件工程师 L4 由人类驱动向AI驱动开发的关键跃迁。实现从产品需求到生产部署的全流程自动化，能够解释需求、管理部署和维护生产环境，使非技术人员也能快速创建完整软件产品 随模型和智能体技术进步，精度更高上下文处理能力更强的工具将重塑开发行为。让开发者专注软件开发过程中的高阶任务，AI则接管常规开发工作，软件工程迎来全新范式。 将出现协作式AI代理系统。多个AI代理可分工协作处理不同开发环节。AI开发团队 L5 AICoding范式下，氛围编程与规约编程共存 规约编程（Specification-OrientedCoding） 氛围编程（Vibe Coding） 传统编程（Traditional Coding） ⚫基于AI智能体和AI对话至上，采用自然语言描述需求，实现多文件代码生成，生成执行的应用⚫精准描述需求和任务表达有助于AI生成代码质量效果⚫实现工程级别开发，中等效率学习曲线及要求⚫学习曲线中等，非程序员(如产品、设计等小白用户）也可编码，侧重和锻炼表达功能能力 ⚫在Agent至上，基于规范和设计共识驱动AI全栈开发，批量生成业务代码⚫结构化沟通和系统设计，生成代码包含所需的前提和意图⚫多智能体协作，先共识，帮你理清思路，集成系统思维澄清效果⚫规范文档和共识协作，实现系统级别完整意图的规范化代码，效率高学习曲线及要求⚫学习曲线高，弥补VibeCoding中的痛点，对规范化、系统化有更高全局要求和把控能力，适应企业级大规模复杂生产应用 ⚫传统开发者主导的完全纯手动编码⚫手动调试过程⚫依赖浏览器搜索引擎/开发者社区等辅助开发效果⚫逐行编码，比较低效学习曲线及要求⚫陡峭的学习曲线，需了解编程底层技术，需自主学习能力和积累项目中实战经验 AI4SE市场洞察：2种不同发展路径殊途同归 渐进式改革AI增强的软件工程系统和应用系统–工具 -形态：编码是智能副驾最成熟的场景，30%的代码采纳率可以通过市场上任何代码助手（AI Coding）类产品实现-发展路径：从编码向周边流程蔓延的渐进式改革过程，在现有场景中替代耗时费力重复性工作（AICR），探索全新的工作模式应对对策：进一步推动现有DevOps体系的深入和研发过程的数字化，加速数据飞轮系统的构建，进入自我改进的发展模式。 策略：成熟产品+个性化场景自研落地(MCP) 颠覆式整体重塑 AI为核心的全新应用形态–生产力主体 -形态：超级应用的目标是用来生成任何其他应用的应用，也是人类编写的最后一只应用程序-发展路径：从小型/微型或者特性形态的应用入手，当前市场上的AI程序员类应用已经可以自主完成一个应用的端到端构建，或者完成一个小型任务/实现一个微小特性。 当前态 -软件工程系统是生产应用系统的场所/设备/流程/资源-应用系统是软件工程系统的