一句话看懂：菜鸟网络在半年内把 AI 生成代码占比从约 10% 推到 90% 以上，但需求交付周期只缩短了约 10%。这暴露了 AI 提效的真实瓶颈：编码只是研发链路的一小段，真正的提速要靠 Agent 托管需求澄清到部署的全流程。
事件核心：发生了什么
在 2026 年 AICon 全球人工智能开发与应用大会上海站上，菜鸟网络研发总监郭凤钊披露了一组关键数据：过去半年多，菜鸟内部 AI Coding 贡献率从约 10% 提升至 90% 以上，部分团队接近 100%。但对比有 AI 参与和没有 AI 参与的需求后，需求变更周期只相差约 10%。
菜鸟把原因归结为三点：编码在整体交付链路中可能只占约 30% 时间；需求澄清、技术方案、测试、编译、部署等环节尚未被 AI 托管；阶段之间仍靠人工确认和切换工具，工程师的注意力成了端到端瓶颈。
为此，菜鸟从 Vibe Coding 转向需求端到端托管交付，方案由四层构成：以 Claude Code 等通用 Agent 作 Harness，Plugin 承载 Skill、Subagent、Hooks 和 CLI 并管理上下文，Playbook 用自然语言描述企业需求交付流程，todo.json 保证长程任务的确定性执行。运行环境选择云端沙箱，支持 7×24 小时运行，并嵌入现有需求管理系统，而非另建独立平台。
为什么重要
这组数据给 AI 提效的热潮提供了一个务实的参照。90% 的代码自动化并没有带来等比例的交付提速，说明单点工具的效率提升会被流程协同成本稀释。菜鸟选择用 Agent 主导流程、工程师只在关键节点确认，本质上是把优化对象从“写代码”换成“流转”。
其中 todo.json 替代 todo.md 的细节值得注意：Markdown 容易被模型改写，也无法准确表达 Pending、In Progress、Skipped、Failed 等状态。这反映出当前大模型在长程任务中的上下文腐烂、上下文耗尽和“上下文焦虑”问题，仍需确定性结构来约束。对于正在评估 AI 研发体系的企业，这是一条可复用的工程经验。
对用户/开发者/创作者的影响
对开发者而言，AI Coding 工具的上限已经不只是模型能力，而是企业流程能否被 Agent 理解和执行。把研发步骤封装成 Skill 和 Playbook，意味着团队知识可以跨项目复用，而不再只留在个人 Prompt 或本地电脑里。
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。
对企业技术负责人而言，菜鸟放弃自研 Copilot、转用市场化 Coding Agent 的选择，说明在模型和 Agent 迭代过快的阶段，自建底层工具的性价比在下降，投入重点更适合放在流程封装和度量上。
对 AI 工具厂商而言，竞争焦点可能从“谁的代码生成更强”转向“谁能更好地接入企业研发流程、管好长程任务的状态”。
值得关注的后续
一是菜鸟的端到端托管交付能否把需求交付周期从 10% 的改善推到更高水平，目前公开信息显示这仍是探索阶段。二是 todo.json 这类结构化状态约束是否会被更多 Agent 框架采纳，或随模型能力提升而简化。三是这套 Plugin 与 Playbook 模式能否在菜鸟之外的团队规模复制，尤其是在研发流程差异较大的组织中。
来源：InfoQ CN
