强烈推荐你们去看一期分享，是前两天字节技术副总洪定坤在Force大会上讲的关于AI Coding的实践。

有空的话一定要去看原文，启发很大。

我今年4月份的时候就发过一篇笔记，当时那篇笔记在感叹，SOLO独立端居然有93%的代码都是AI写的，简直恐怖。

到了现在6月份，他们TRAE团队又公布了新的官方数据：在过去半年时间里，他们超过 90% 的代码都是 AI 写的。

按常理推算，AI 写代码的速度是人的十倍以上，九成代码交给机器，效率应该翻好几倍才对。但真实的数据是：人均需求吞吐率仅提升了 60%。

这很反常，十倍速的生产力注入，最后只换来 1.6 倍的产出？中间那些消失的效率去了哪里呢？

1在过去一年，字节 AI 代码贡献率增长了 6 倍多，AI Coding 的 tokens 消耗涨了 5 倍，代码合入率也翻了 2 倍。从数字层面看，简直是教科书级的 AI 落地样本。

但洪定坤说：这些数字不代表我们做得好。

AI 代码贡献率这个指标，衡量的是一个中间过程，而非最终结果。它告诉你 AI 参与了多少，但不告诉你交付效率有没有真的提高、产品质量有没有受影响、整体研发周期有没有缩短。

更糟糕的是，洪定坤提到，字节内部有些团队把 AI 代码贡献率当成了 KPI，围绕着这一个数字去优化

我们需要的不是一把量代码数量的尺子，而是一把量交付质量和全局效率的尺子。

2Vibe Coding 这个词过去两年很火，描述的是一种非常轻快的开发方式，整个过程像聊天一样自然，速度也确实很快。

但洪定坤在演讲里对Vibe Coding的形容是：感觉快了，可能慢了。

他们团队做了一个很有意思的实验，以豆包一个即将上线的真实功能需求作为测试案例，需求是让用户在创作页面里创作视频然后做预览和调整。

他们选了 3 个主流的 Coding 模型和 3 个主流的 Agent 框架，两两组合，每种组合用相同的 Prompt 跑了 100 次，总计 900 次。

第一列看功能正确率：所有组合都超过了 80%，看起来相当不错。但看后面几列：UI 易用性、交互可行性、可靠性、可维护性、性能、兼容性。

所有组合在这些维度上都出现了大幅下降，而且表现出极强的随机性。

如果拿真实上线标准来衡量，这些跑出来的代码没有一组能直接交付。

所以你看，在真实的软件工程里，把功能写对只是冰山一角。代码要放进已有的架构里，要和其他模块配合，要考虑异常处理、性能、安全、可维护性。

这些东西 Vibe Coding 天然不擅长，因为它的核心逻辑就是快速试错，而不是系统思考。

3那有没有解决方案呢？洪定坤用了一个词：Harness。

这个词今年很热，很多人一听到就想到 Agent 框架、工具调用能力，但他认为真正重要的 Harness 是更基础的东西，他管它叫基建。

当他们把这些基建补上之后，用同样的 9 种模型加框架组合重新跑了一遍，功能正确率从 80% 左右提升到了接近 90%，这个变化不算特别大。

但显著的变化在另一个维度，就是那些软件工程层面的可交付性指标，从之前普遍 40 到 60 分的不及格水平，跳到了 80 分。

同样的模型，同样的框架，同样的提示词，唯一的变量是底下那层不起眼的基建。

4洪定坤在演讲了还分享了一个故事。

前段时间，有个产品同学找到他，说自己有个需求，已经用 Vibe Coding 做出来了。然后她去找研发同事，说这个功能我做好了，能不能给我代码仓库的权限，我自己提交上线？

研发的回答是：这个需求还是要排期，可能还要几天。产品同学很不理解，代码已经能跑了，为什么不能直接上线？

后来他们认真看了这段代码，发现虽然功能确实能用，但性能不够好，扩展性没考虑，还有权限安全的问题。

这个故事很能说明当前的困境。一方面，AI 让更多角色能直接产出代码，这本身是好事，沟通更直接，验证更快。但另一方面，代码生成的门槛降低了，不代表系统复杂度也降低了。

真实业务的代码要融入既有架构，要和已有模块配合，要通过安全审查，要考虑线上稳定性，所以不能说谁写出来谁就直接上线。

洪定坤认为真正的挑战，不是争论谁有资格写代码，而是怎么让不同角色更合理地参与进来。每个人都能发挥价值，但产出要进入统一的架构、规范和交付流程。

5洪定坤也在这场演讲里，聊到了他们内部的实践方向。

比如他们内部的一个实践方向，叫原型驱动的开发模式。过去是文档驱动，产品先写 PRD，设计画图，研发写技术方案，然后才开始写代码。

现在因为 AI 让制作原型的成本大幅下降了，团队可以先快速做出一个可交互的原型。这个原型不是静态的设计稿，而是真的可以点击、可以操作，然后围绕这个动态的原型去讨论、去体验，把共识在最早期就对齐。

除了原型驱动，他们还在推一件事叫系统化 AI Development。

通俗来说，就是不只让 AI 写代码这一个环节，而是让 AI 嵌入到研发的各个流程里去。编写 Spec、自动打开浏览器验证功能、发现 Bug 自动修复、确认无误后自动提交发布。让整条链路都被 AI 覆盖到，而不是只有中间写代码那一段。

最后是组织化建设。洪定坤观察到，早期 AI Coding 的效率提升往往集中在少数高水平个体身上。组织需要的是把这些实践沉淀下来，变成标准、工具和技能，让整个团队的能力水位一起上升。字节的做法是把很多内部积累的能力直接沉淀到 TRAE 里，开放给所有工程师共同使用和共创。

AI Coding 毫无疑问正在改变软件开发，但它改变的方式，可能不是很多人想象中那种简单的加速。

它更像是往一个复杂系统里注入了一种新的能量，这种能量是好是坏，取决于系统本身有没有准备好去承接它。AI Coding 不只是一个技术问题，是一个关于人和组织如何适应新工具的问题。但适应这件事，并不简单。