一句话看懂：小红书AI Coding总架构师郑鑫祺在AICon大会上拆解了其Vibe Coding平台Muse的架构实践，核心结论是：AI生成代码虽快，但若系统不解企业资产、不通上下文链路，交付效率依然无法提升。Muse试图通过Agent Team编排和Harness控制，打通需求、设计到编码的完整链路。
事件核心：发生了什么
在AICon全球人工智能开发与应用大会上，小红书AI Coding总架构师郑鑫祺分享了其团队在AI Coding落地中的具体实践。他明确指出一个矛盾现象：AI写代码速度已极快，但从需求提出到生产上线的周期并未同步缩短，企业内部反馈显示研发人员并未明显变轻松。
为此，小红书构建了Vibe Coding平台Muse。该平台不只是一个代码生成工具，而是将产品经理、设计师和开发者拉入同一上下文链路，让AI参与需求共创、设计决策和编码交付。郑鑫祺重点拆解了Muse背后的Agent Team编排、Harness控制机制和Agent OS架构，强调系统不仅需要“生成代码”，还必须具备高可用的交付、兜底和恢复能力。
他提出，当前企业级AI Coding面临三类核心问题：AI不理解企业资产，生成结果不符合研发与设计规范；用户记忆、业务知识与任务上下文分散在不同平台；从需求到交付的能力链路未贯通，原子化工具之间可能相互冲突。
为什么重要
这一分享的价值在于把AI Coding的讨论从“单点代码生成”拉升到“完整研发系统”的层面。目前市面上多数AI编程工具聚焦于提升编码速度，但企业研发的真实瓶颈往往在编码之外——设计规范检查、跨仓库上下文整合、安全合规审查、PM与开发之间的协作断点。郑鑫祺的实践表明，如果系统不处理这些环节，AI节省的编码时间会被后续流程重新消耗。
此外，他提出的模型控制架构演进路径（Workflow到Pipeline再到Agent Team）反映了行业对“More Intelligence”与“More Steering”之间平衡的探索。随着Sonnet 4.5、Sonnet 4.6等模型长任务遵循能力增强，系统可以在保持确定性控制的同时逐步引入更动态的Agent协作，这一技术路线预计将被更多企业AI平台参考。
对用户/开发者/创作者的影响
对开发者而言，Muse的实践提示了一个关键转变：未来AI Coding工具的核心竞争力将不只是模型能力，而是对企业资产的整合能力，即能否自动适配公司设计规范和代码仓库要求，开发者需要从“写代码”转向“判断与监督AI产出”。
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。
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。
对产品经理和设计师而言，AI时代比稿和需求说明的方式将发生变化——过去靠体力反复修改方案，现在AI能快速生成多个版本，人的价值更多体现在选择正确方向和快速推进决策。Muse生成的是可直接进入真实工程仓库的代码，而非需要二次转译的HTML原型，这意味着需求到交付的中间环节正在被压缩。
对技术决策者而言，多Agent协作并非万能方案。郑鑫祺提醒，只有子任务独立、可并行、上下文可分离时，多Agent才有收益；否则一条编排清晰的Pipeline更可靠。这一判断对企业选择AI Coding架构有直接参考价值。
值得关注的后续
目前公开信息显示，Muse的实践仍以小红书内部场景为主，其对外输出能力尚未明确披露。后续可以关注三个方向：一是Muse是否会将Agent Team编排能力开放为平台服务，供其他企业复用；二是随着更强模型（如Sonnet 4.6之后的版本）出现，Muse的Harness控制如何在精度与泛化之间调整；三是行业内其他大厂是否会跟进“需求共创+编码交付”一体化的产品形态，从而改变AI编程工具的市场格局。
来源：InfoQ CN
