AI加速产码后软件工程转向确定性与测试驱动

AI Coding正在从早期的代码补全，发展到理解代码库、拆解复杂任务、调用工具、修改代码、执行测试乃至参与代码评审。代码生产因此变得更便宜，但系统复杂度和协作难度同步上升，软件工程的重点正从“写出代码”转向理解问题、掌控系统并作出判断。

在围绕研发效能的讨论中，技术负责人指出，AI让个人一天处理的代码量从约1000行提升到1万行并不困难，但开发者必须具备网络、操作系统等基础能力，以及知识迁移和复杂系统控制能力。大型组织仍需借助指标了解协作效率，不过在AI扩大个人能力边界后，不应过度执着于传统效率比率。

影响AI Coding效果的关键，不只是模型能力，还包括上下文、测试和运行环境。复杂企业项目包含庞大的代码、业务知识与历史演进信息，需要通过“代码数字孪生”或Harness工程整理架构和背景。测试也应更早嵌入编码过程，研发与测试完全分离的模式可能被测试驱动开发取代，测试工作量中预计有80%至90%会融入产码流程。

移动端仍面临特殊限制：Agent通常运行在云端或本地，而真实设备尤其是封闭的iPhone环境难以被直接感知，模型往往只能处理编译错误和单元测试，UI测试与QA回归仍较困难。大型项目还需要可共享的开发环境、mock环境或FAT/UAT环境，以缩短运行、调试和反馈闭环。

实践表明，任务越长、代码改动越大，Agent的稳定性越差。与其依赖更强模型，不如在工程层面拆分任务、精确选择文件和上下文，并匹配明确规则。确定性工程的作用，就是限制模型沿用错误模式，避免问题被高速复制和放大。对于拥有约1000万行代码的大型monorepo，真正需要维护的可能是少量经典模式，例如约100行核心范式，再以清晰边界约束AI生成代码。

相关观点将在10月22日至24日于上海举行的QCon全球软件开发大会2026上海站“AI驱动的软件工程”专题中继续展开，议题覆盖AI Coding、研发Agent、工程智能化、复杂项目实践与研发效能建设。