本文基于百度资深工程师的演讲，系统分析了 Coding Agent 在企业级落地面临的稳定性、人机边界和复杂度转移三大挑战，并分享了百度通过构建规则体系、知识工程和 Spec 驱动研发模式等确定性工程方法论的实践经验。
📝 详细摘要
文章深度剖析了 AI 编程在企业级复杂场景（尤其是存量代码库）中落地的现实困境，即“一半是火焰，一半是海水”的矛盾现状。作者指出，当 AI 代码生成占比突破临界点后，研发团队面临三大核心挑战：AI 输出的稳定性控制、人机协作边界的模糊以及软件工程复杂度的转移。针对这些挑战，百度分享了其内部沉淀的解决方案：通过“知识体系 + Rules 建设”来约束 AI 输出，降低不确定性；通过构建记忆工程（如文件系统存储、图数据库）来管理项目知识，提升 AI 的上下文理解能力；并倡导从“增强”到“重塑”的 DevOps 演进路径，以及以“Spec 驱动”为核心的 AI 原生研发模式。文章强调，在 AI 时代，工程能力不仅没有弱化，反而变得更加重要，需要通过构建确定性的工程配套来跨越从工具到“研发数字员工”的代际鸿沟。
💡 主要观点
- Coding Agent 在企业级落地面临稳定性、人机边界和复杂度转移三大硬核挑战。 面对存量复杂代码库，AI 输出不稳定、不可控；行业高预期与实际体验落差大；软件复杂度并未消失，而是从编写代码转移到了质量保障和问题定位上。
💬 文章金句
- 当开发者试图将 AI Coding 从简单的代码补全推向深度的 Agent 协作时，现实的‘海水’却比预想中冷峻：面对动辄几十万行、运行超过十年的存量复杂代码库，以及对稳定性要求极苛刻的生产环境，AI 往往显得力不从心。
- 软件的复杂度不会消失，只会发生转移。随着 AI 生成代码的成本不断降低，若原有研发流程保持不变，代码验证的成本反而会同步攀升。
- 行业常见的典型 Agent 框架，是将任务直接交由模型自主决策……但这种模式更接近 Copilot 形态，本质属于推荐式机制，效果稳定性不足……因此在当前自动化落地场景中，我们更倾向于采用 Micro-Agent 方案：将确定性逻辑尽可能通过代码固化实现，仅在传统方式难以自动化的环节引入 AI，做小粒度、局部化的能力补强。
- 我们的核心观点是：先做增强，再做重塑。初期阶段，DevOps 平台应保留原有形态，尊重现有研发流程，优先聚焦高频通用场景进行能力补强。
- 大模型的概率属性决定了其存在 ‘80 分危机’—— 生成的内容看似合格，却始终存在细微偏差，难以达到工业级标准。我们不能单纯依赖模型能力的提升，而应在 Spec 中明确固定的测试用例，让 AI 完成代码编写后自动执行测试，根据测试结果自我反思、迭代修正。
📊 文章信息
AI 初评：90
来源：InfoQ 中文
作者：InfoQ 中文
分类：人工智能
语言：中文
阅读时间：31 分钟
字数：7671
标签： Coding Agent, 企业级落地, AI 编程, 软件工程, 百度实践