//@蒋文明in南京:作为 AGI 的基础设施，AI-Coding/Programming 旨在穷尽当下的模型能力，开发提升开发效能的开发工具，是 AI 反身性的典型体现。仔细看了播客文稿，新的 AI 赋能谱系如果沿用之前的职位称谓的话，宝玉是二阶的产品经理视角，陈鑫 & 郑勤锴则是二阶的程序员视角，而喜欢类比的张海龙则是二阶的市场视角。
昨天和张海龙（Gru.ai CEO）、陈鑫（阿里云通义灵码负责人）和郑勤锴（智谱 AI CodeGeeX 负责人）几位嘉宾一起，参加了由唐小引总编主持的 CSDN 万有引力“2025 年 AI coding 将如何演进”的视频讨论，核心主题是 AI 编程。主要话题聚焦在专业开发者在日常研发中使用 AI 编程工具时的痛点与需求，总结 2024 年的 AI 编程工具发展，并预测 2025 年及未来的演进趋势。
内容比较多，我简单总结几个点。
1. 2024 年 AI 编程工具的亮点与回顾
这个问题大家都有发言，总结下来是三点：以 Cursor 为代表的 AI 编程工具的崛起，模型的编程能力突飞猛进，能编程的 AI Agent 初见雏形。另外一个有意思的点是，同样都是用 Cursor、Windsurf 这样的 AI 编程工具，每个人的用法是不一样的，比如张海龙就只会用 Cursor 的 Tab 自动补全，而我则用 Composer 最多，勤锴则是更多的使用 AI Agent 功能，所以主要用 Windsurf 来使用 Agent 写代码运行代码。
2. 2025 年 AI 编程工具的演进趋势
张海龙：
2025 年肯定会看到大量的 Agent 落地，但更可能是垂直领域的 Agent。到时候会出现很多代码仓库里，Agent 也作为提交者，帮你写测试、改文档、修简单 bug 等脏活累活，让人类开发者可以更专注核心逻辑。
陈鑫：
对，短期来看 Agent 会大爆发，大家都在做。长期是否能颠覆现有编程模式，还要看模型能否真正理解需求、用新思路重构 DevOps 等生态。六个月到一年内肯定是 Agent 继续发展，但能否出现颠覆性突破还不好说。
宝玉：
目前 AI 还没颠覆软件工程整体流程，集中在原型与编码阶段。未来一两年，AI 在测试和运维上也会有明显进步。模型能力上，比如 Claude 现在是中级水平，o1 Pro 更高一些，但也会不断演进。Agent 虽然大家期待很高，但我觉得两年内可能还不算特别成熟，也许五年后会出现超越我们想象的东西。
3. 针对于程序员群体关心的“35 岁危机”。AI coding 出现后，这个问题会更严重吗，还是能带来缓冲？
张海龙：
我已 40 岁，我认为 AI 对老程序员是利好。以前拼手速、熬夜写代码，现在 AI 可以代劳很多体力活，经验丰富的人更能把握全局。我觉得这是春天。
陈鑫：
对，AI 更擅长执行，经验、架构设计、沟通其实更需要老程序员的能力。很多新工具降低了切换语言和领域的门槛，但真正把握需求、设计框架、整合资源依然是经验的优势。
宝玉：
不过也要看个人是否愿意拥抱 AI。有些老程序员不愿意学新东西，被年轻人用 AI 追赶就很危险。要想受益，还是要主动用、熟练用。
郑勤锴：
对，这是人与人之间的竞争，不是人与 AI 的竞争，会用 AI 的人肯定淘汰不会用的。所以必须积极拥抱，越早越能获得领先优势。
4. 有人说 code review 很花时间，能否让 AI 直接做 code review？
张海龙：
要做得好非常难。我们团队深度实践 code review，发现要看很多业务上下文、需求场景、历史限制等。很多 code review 工具生成一些正确的“废话”，但在实际工程中，大家都知道很多地方并非那么简单。要真正让 AI 做得好，几乎跟做通用编程 Agent 一样难。
陈鑫：
对，企业的确很希望有 code review 自动化工具，至少做初步检查。我们目前也在做，但大多只能发现风格、格式等低级错误，与企业对业务逻辑检查的期望还有明显差距。要理解业务、需求，AI 本身得足够强，目前还远远不够。
宝玉：
对程序员来说，code review 恰恰是 AI 难以替代的地方之一。相比以往，AI 生成大量代码后，我们更需要花精力在 code review 上，用经验和完整上下文把关，不能稀里糊涂就 merge。AI 可以替代或部分替代传统的代码扫描工具，但要真正替代人的 code review，还相当困难。
5. 那 debug 呢？大家遇到 bug 经常直接贴给 AI，让它分析或给出修改。以后 debug 是否也能全自动？
张海龙：
许多创业公司都尝试做“自动修 bug”Agent，但没有做得很成功。修 bug 其实和写新功能类似，最关键是能否重现（reproduce），这一步对 AI 特别难，连人都不一定一次能重现。所以在当下，debug 依然要靠程序员。
宝玉：
我也有类似感受，遇到特殊环境、复杂条件或边界时，AI 只能给些猜测，需要人去重现并验证。
6. AI 编程会不会产出很多“垃圾代码”？程序员以前要注重性能、可维护性等，这些还要不要继续？
张海龙：
还是要，非常重要。尤其是当 AI 大量生成代码后，潜在地会有更多质量隐患，因为人可能没仔细审查就 merge 了。所以保障质量的手段不会变，比如 code review、单元测试、integration test 这些，依然需要，只是将来能多一些自动化工具辅助。
AI 不会直接提高你的“上限”，它更像放大器。水平差的人用 AI，大概率还是产出烂代码；水平高的人则能通过 AI 放大自己的能力。最终保障质量还得依赖既有软件工程实践。
唐小引：
那理想状态是人机搭配写代码，同时注重质量？
张海龙：
对，像 code review、CI/CD、自动化检查都必不可少，尤其当 AI 生成代码后更要严谨。甚至可以用另一套 Agent 专门生成单元测试，分工明确。
7. 有没有什么功能，帮助开发者减少提示词难度？
陈鑫：
我们会在 IDE 插件里让开发者对上下文有更明确的控制，尽量保证透明度。比如检测当前修改需要哪些相关文件做参考，会建议用户选择。若将上下文无限扩大，模型反而混乱。同时也保留用户对上下文的把控权，这是现阶段的“折中”方式。毕竟等模型足够强大时，完全自动上下文管理或许会成为现实，但目前还不成熟。
郑勤锴：
是的，我们现在更多是借助知识库，把用户可能需要的文件、文档、历史操作记录等检索出来，提供给模型。但依然要想提高整体效果，需要让模型更主动调用各种工具来精确查找相关信息，而不是粗暴的 RAG（相似片段检索）。理想状态是模型能够像人一样阅读代码结构、跳转定义和引用。但现在大家都还在探索中。
8. 很多人觉得提示词工程是大难点，常常写不准需求，或者生成的代码里又带来新的 bug，对提示词有什么经验？
宝玉：
我之前花了很多时间研究提示词，也总结了不少技巧，但现在认为针对编程，提示词一些花哨的角色扮演、格式说明可能并非最重要。根本还是模型能力、上下文信息和明确的需求。
- 模型：用好的模型非常关键，比如 O1 Pro。
- 上下文：要把功能或 bug 相关的一切信息都给它，AI 没有读心术，不知道你想干什么。
- 原子化：一次让它实现相对独立的功能，复杂需求拆成若干小模块，每个模块只提供它所需的上下文和准确指令。这样 AI 完成度会高很多。
9. 谈谈 AI coding 的整体发展，尤其 Agent
张海龙：
AI coding 分很多方向：针对专业开发者有同步工作（IDE、插件）和异步工作（代码管理、Agent 自主执行）之分。目前做得最好的是同步工作，像 Cursor、Copilot。这类工具形态很成熟，而尝试做异步工作的 Agent 效果还不理想。对专业开发来说，Agent 需要大量的业务上下文和持续更新，这些上下文又在不断变化，纯靠大模型很难持续理解。RAG 效果暂时也不好。
我认为通用型编程 Agent 做不出来，因为它需要理解无比复杂的需求、业务上下文和工程脉络，这些上下文每时每刻都在变，模型也不是“动态学习”的。所以我更看好垂直型的 Coding Agent，比如只做 Code Review、只做单元测试、只做 Refactoring 等，有针对性才能做得好。做一个“万能”型的通用 Agent，相当于要实现 AGI，目前不太可行。
宝玉：
我打个比方：我们以前试图模仿鸟的振翅来造飞行器，发现做不到，最终我们造出了飞机。AI 编程也类似，目前要让它完美地理解和处理所有复杂业务逻辑确实难，但将来随着技术栈对 AI 友好度的提升，一些标准化、模块化的代码会让 AI 编程越来越强。短期来看，通用 Agent 可能难有惊喜，但五到十年后也许会突然跨过一个临界点。
陈鑫：
我跟海龙总的看法类似，目前模型理解需求、自动完成工作还很初级。对需求的多轮迭代、上下文管理都需要开发者配合，而且越大越复杂的业务逻辑越需要精确描述，纯依赖自然语言很难。未来可能要么出现 AGI，要么根本就不再写代码，用新的范式取代。如果局限在现有模式下，很难完全自动化。
上面只是摘取了一部分内容的摘要，完整文稿我整理在了：
网页链接 
宝玉xp的微博视频
内容比较多，我简单总结几个点。
1. 2024 年 AI 编程工具的亮点与回顾
这个问题大家都有发言，总结下来是三点：以 Cursor 为代表的 AI 编程工具的崛起，模型的编程能力突飞猛进，能编程的 AI Agent 初见雏形。另外一个有意思的点是，同样都是用 Cursor、Windsurf 这样的 AI 编程工具，每个人的用法是不一样的，比如张海龙就只会用 Cursor 的 Tab 自动补全，而我则用 Composer 最多，勤锴则是更多的使用 AI Agent 功能，所以主要用 Windsurf 来使用 Agent 写代码运行代码。
2. 2025 年 AI 编程工具的演进趋势
张海龙：
2025 年肯定会看到大量的 Agent 落地，但更可能是垂直领域的 Agent。到时候会出现很多代码仓库里，Agent 也作为提交者，帮你写测试、改文档、修简单 bug 等脏活累活，让人类开发者可以更专注核心逻辑。
陈鑫：
对，短期来看 Agent 会大爆发，大家都在做。长期是否能颠覆现有编程模式，还要看模型能否真正理解需求、用新思路重构 DevOps 等生态。六个月到一年内肯定是 Agent 继续发展，但能否出现颠覆性突破还不好说。
宝玉：
目前 AI 还没颠覆软件工程整体流程，集中在原型与编码阶段。未来一两年，AI 在测试和运维上也会有明显进步。模型能力上，比如 Claude 现在是中级水平，o1 Pro 更高一些，但也会不断演进。Agent 虽然大家期待很高，但我觉得两年内可能还不算特别成熟，也许五年后会出现超越我们想象的东西。
3. 针对于程序员群体关心的“35 岁危机”。AI coding 出现后，这个问题会更严重吗，还是能带来缓冲？
张海龙：
我已 40 岁，我认为 AI 对老程序员是利好。以前拼手速、熬夜写代码，现在 AI 可以代劳很多体力活，经验丰富的人更能把握全局。我觉得这是春天。
陈鑫：
对，AI 更擅长执行，经验、架构设计、沟通其实更需要老程序员的能力。很多新工具降低了切换语言和领域的门槛，但真正把握需求、设计框架、整合资源依然是经验的优势。
宝玉：
不过也要看个人是否愿意拥抱 AI。有些老程序员不愿意学新东西，被年轻人用 AI 追赶就很危险。要想受益，还是要主动用、熟练用。
郑勤锴：
对，这是人与人之间的竞争，不是人与 AI 的竞争，会用 AI 的人肯定淘汰不会用的。所以必须积极拥抱，越早越能获得领先优势。
4. 有人说 code review 很花时间，能否让 AI 直接做 code review？
张海龙：
要做得好非常难。我们团队深度实践 code review，发现要看很多业务上下文、需求场景、历史限制等。很多 code review 工具生成一些正确的“废话”，但在实际工程中，大家都知道很多地方并非那么简单。要真正让 AI 做得好，几乎跟做通用编程 Agent 一样难。
陈鑫：
对，企业的确很希望有 code review 自动化工具，至少做初步检查。我们目前也在做，但大多只能发现风格、格式等低级错误，与企业对业务逻辑检查的期望还有明显差距。要理解业务、需求，AI 本身得足够强，目前还远远不够。
宝玉：
对程序员来说，code review 恰恰是 AI 难以替代的地方之一。相比以往，AI 生成大量代码后，我们更需要花精力在 code review 上，用经验和完整上下文把关，不能稀里糊涂就 merge。AI 可以替代或部分替代传统的代码扫描工具，但要真正替代人的 code review，还相当困难。
5. 那 debug 呢？大家遇到 bug 经常直接贴给 AI，让它分析或给出修改。以后 debug 是否也能全自动？
张海龙：
许多创业公司都尝试做“自动修 bug”Agent，但没有做得很成功。修 bug 其实和写新功能类似，最关键是能否重现（reproduce），这一步对 AI 特别难，连人都不一定一次能重现。所以在当下，debug 依然要靠程序员。
宝玉：
我也有类似感受，遇到特殊环境、复杂条件或边界时，AI 只能给些猜测，需要人去重现并验证。
6. AI 编程会不会产出很多“垃圾代码”？程序员以前要注重性能、可维护性等，这些还要不要继续？
张海龙：
还是要，非常重要。尤其是当 AI 大量生成代码后，潜在地会有更多质量隐患，因为人可能没仔细审查就 merge 了。所以保障质量的手段不会变，比如 code review、单元测试、integration test 这些，依然需要，只是将来能多一些自动化工具辅助。
AI 不会直接提高你的“上限”，它更像放大器。水平差的人用 AI，大概率还是产出烂代码；水平高的人则能通过 AI 放大自己的能力。最终保障质量还得依赖既有软件工程实践。
唐小引：
那理想状态是人机搭配写代码，同时注重质量？
张海龙：
对，像 code review、CI/CD、自动化检查都必不可少，尤其当 AI 生成代码后更要严谨。甚至可以用另一套 Agent 专门生成单元测试，分工明确。
7. 有没有什么功能，帮助开发者减少提示词难度？
陈鑫：
我们会在 IDE 插件里让开发者对上下文有更明确的控制，尽量保证透明度。比如检测当前修改需要哪些相关文件做参考，会建议用户选择。若将上下文无限扩大，模型反而混乱。同时也保留用户对上下文的把控权，这是现阶段的“折中”方式。毕竟等模型足够强大时，完全自动上下文管理或许会成为现实，但目前还不成熟。
郑勤锴：
是的，我们现在更多是借助知识库，把用户可能需要的文件、文档、历史操作记录等检索出来，提供给模型。但依然要想提高整体效果，需要让模型更主动调用各种工具来精确查找相关信息，而不是粗暴的 RAG（相似片段检索）。理想状态是模型能够像人一样阅读代码结构、跳转定义和引用。但现在大家都还在探索中。
8. 很多人觉得提示词工程是大难点，常常写不准需求，或者生成的代码里又带来新的 bug，对提示词有什么经验？
宝玉：
我之前花了很多时间研究提示词，也总结了不少技巧，但现在认为针对编程，提示词一些花哨的角色扮演、格式说明可能并非最重要。根本还是模型能力、上下文信息和明确的需求。
- 模型：用好的模型非常关键，比如 O1 Pro。
- 上下文：要把功能或 bug 相关的一切信息都给它，AI 没有读心术，不知道你想干什么。
- 原子化：一次让它实现相对独立的功能，复杂需求拆成若干小模块，每个模块只提供它所需的上下文和准确指令。这样 AI 完成度会高很多。
9. 谈谈 AI coding 的整体发展，尤其 Agent
张海龙：
AI coding 分很多方向：针对专业开发者有同步工作（IDE、插件）和异步工作（代码管理、Agent 自主执行）之分。目前做得最好的是同步工作，像 Cursor、Copilot。这类工具形态很成熟，而尝试做异步工作的 Agent 效果还不理想。对专业开发来说，Agent 需要大量的业务上下文和持续更新，这些上下文又在不断变化，纯靠大模型很难持续理解。RAG 效果暂时也不好。
我认为通用型编程 Agent 做不出来，因为它需要理解无比复杂的需求、业务上下文和工程脉络，这些上下文每时每刻都在变，模型也不是“动态学习”的。所以我更看好垂直型的 Coding Agent，比如只做 Code Review、只做单元测试、只做 Refactoring 等，有针对性才能做得好。做一个“万能”型的通用 Agent，相当于要实现 AGI，目前不太可行。
宝玉：
我打个比方：我们以前试图模仿鸟的振翅来造飞行器，发现做不到，最终我们造出了飞机。AI 编程也类似，目前要让它完美地理解和处理所有复杂业务逻辑确实难，但将来随着技术栈对 AI 友好度的提升，一些标准化、模块化的代码会让 AI 编程越来越强。短期来看，通用 Agent 可能难有惊喜，但五到十年后也许会突然跨过一个临界点。
陈鑫：
我跟海龙总的看法类似，目前模型理解需求、自动完成工作还很初级。对需求的多轮迭代、上下文管理都需要开发者配合，而且越大越复杂的业务逻辑越需要精确描述，纯依赖自然语言很难。未来可能要么出现 AGI，要么根本就不再写代码，用新的范式取代。如果局限在现有模式下，很难完全自动化。
上面只是摘取了一部分内容的摘要，完整文稿我整理在了：
网页链接 宝玉xp的微博视频
