从“会用”到“驾驭”：AI Coding 进入生产环境的真实碰撞

事件核心：发生了什么

在 InfoQ《极客有约》直播中，网易游戏高级技术经理林香鑫与网龙网络技术总监陈洁、TiDB 智能研发中心负责人柏佳辰、汇丰科技内部开源负责人李渭宁，围绕 Coding Agent 在真实生产环境中的落地展开讨论。几位嘉宾的共识是：AI Coding 大面积进入企业后，暴露出的问题集中在遗留代码改造、审批流程适配、token 成本显性化，以及开发者能力分化。

网龙分享了两种工作流：一种是基于 Claude Code、CodeX、Gemini CLI 配合 Superpowers 的“人工主控”模式，适合业务稳定的团队；另一种是更激进的 YOLO 模式，团队会主动使用 Bypass Permissions 让 Agent 持续执行，同时改用风险分级审查和自动化门禁替代逐行 review。但陈洁强调，Bypass Permissions 只能用于与主机、敏感数据和生产资源隔离的容器环境，不能当作通用安全模式。

汇丰科技的李渭宁提到，金融行业很少推翻系统重建，软件做“精修”导致 token 消耗模式与互联网公司明显不同。其团队目前每人每月约几百美金 token 预算，只有少部分人用完。他还指出，引入 AI Coding 后业务需求大幅增加，团队仍在扩招，AI 并没有减少岗位，而是加快了业务赋能。

为什么重要

这场讨论标志着一个关键转折：AI Coding 的竞争焦点正从“模型生成的代码质量”转向“工程化落地能力”。MCP、Skills、Rules 等新机制的确解决了部分问题——MCP 以标准化方式连接既有技术资产，Skills 做惰性加载，Rules 约束 Agent 行为——但三者都不是银弹。柏佳辰指出，MCP 工具启动时全量载入上下文，数量一多反而降低模型表现；而 Skills 缺乏治理，像 Superpowers、G-Stack、speckit 等组合包塞入近百个 Skill，仍会导致使用混淆。

更深层的变化在于质量责任转移：开发者不再以逐行人工审查为默认方式，而是把需求、完成条件和验收标准讲清楚，再通过自动化门禁和端到端测试兜底。过去 QA 承担的质量责任，现在前移到开发环节，这要求开发者补足测试设计能力。

对用户/开发者/创作者的影响

对开发者：AI Coding 的分化效应已经显现——技术功底好、设计能力强的人效率倍增，反之则可能制造混乱。开发者需要从“会写代码”转向“会写 SPEC 和测试”，把可验证的完成条件设计清楚，而不是依赖逐行审查。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

对企业技术决策者：如果没有治理机制，AI Coding 很难成为团队生产力。网龙和汇丰都在建设 Skill Hub 和 MCP Gateway，统一控制访问边界、做敏感信息检测。这说明企业采购 AI Coding 工具时，需要评估的不只是模型能力，还有权限管理、审计日志、网关控制等配套能力。

对工具厂商：金融客户存在的“多阶段审批”流程，要求 AI Coding 产品适配复杂的组织协同——不同角色的审批节点、统一的实践规范，这对产品设计提出了更高要求。

值得关注的后续

一是 Bypass Permissions 这类激进模式的安全边界能否被工具链有效约束——Anthropic 目前建议将其限制在无互联网访问的隔离容器中，但开发者的实际使用习惯可能与之有差距。

二是 token 成本从“订阅制”转向“消费制”后，企业如何控制预算——汇丰的实践显示，金融行业 token 消耗远低于互联网公司，但更可持续；未来是否会出现更精细的用量治理方案值得关注。

三是 Skill 生态的治理问题——当大量 Skills 被组合使用时，缺乏统一治理必然导致混乱，这也可能催生新的标准化工具或平台层产品。

来源：InfoQ CN