ITPub博客

首页 > 人工智能 > 人工智能 > 京东云的 AI 代码贡献率超80%,藏着一个巨大的坑

京东云的 AI 代码贡献率超80%,藏着一个巨大的坑

原创 人工智能 作者:领铄智能 时间:2026-11-19 19:03:44 0 删除 编辑

几条消息汇到同一件事:把需求变成可交付成果

最近一周,几条消息凑到了一起。

11 月中旬,京东云升级 JoyCode,新闻稿里给了一句判断:推动 AI Coding 从代码生成,走向可运行软件与可用工具的成果交付。

11 月 18 日,Factory 宣布扩大与微软的合作,让它的软件工厂能跑在客户自己的 Azure 环境里,沿用既有的身份、网络和代码治理体系。用他们的话说,受监管的企业要的是自动化,但不能把代码的控制权一起交出去。

再往前几天,人民邮电报观察到一个更宽的现象:腾讯、阿里、字节、百度、金山办公近期都在把智能体从「你问它答」推向「业务交付」。

几家路径完全不同,落点却是一句话:AI 写完代码之后,得有人负责让它跑起来、跑得住、跑得对。

这篇说清楚四件事:为什么「写代码」和「交东西」是两回事、这件事在中国企业里难在哪、领铄怎么把生成能力放进工程流程,以及选型时可以拿来问供应商的几个问题。

一、写代码和交东西,是两件事

代码生成解决的是「这一行怎么写」。交付解决的是另一串问题:需求搞清楚了吗?方案定下来了吗?写出来的东西跑得起来吗?跑不通谁改?改完怎么验证?上线之后谁维护?

一个程序员写一屏代码,快。一个项目从需求到验收,慢。 这中间的差距,从来不在打字速度上。

看代码生成:比的是补全准确率、响应速度、单测通过率。

看成果交付:比的是需求有没有对齐、过程有没有记录、结果能不能验收、出了问题能不能退回。

图1 一屏代码,和一条从需求到验收的链

京东云这次公布的一组内部数据,要放在「交付」的语境里看才有意义:JoyCode 已服务超过万名京东研发人员,AI 代码贡献率超过 80%,整体开发周期缩短约 40%。

数据引自京东云发布材料,为京东内部应用情况,不代表其他企业的预期效果。

不是代码写得多,是活儿交得出来。这也是为什么同一批产品这半年都在往「流程」走,而不是往「生成速度」走。

这个方向不是上周才有的。7 月的世界人工智能大会上,阿里云发布 CoWorker,讲的是「从 Agent 开发到终端用户价值交付」的完整链路;9 月 WeAreDevelopers 北美站有一场对谈,主题就叫「Building the Agentic Software Factory」,Factory 谈编排层,前 GitHub CEO 创办的 Entire 谈版本控制的地基。

一个在上层组织任务,一个在底层承载高频提交,指向同一件事: 软件工厂不是「更快的写代码工具」,应是一套把需求变成可交付成果的系统工程。

二、为什么这件事在中国企业里格外难

上面这些讨论,默认了三个前提:需求清楚、代码库规范、测试有人在意。

真实的企业里,这三条经常一条都不成立。

需求在业务方的口头描述里,代码在十年前的遗留系统里,测试靠上线后用户反馈。这种环境下,AI 生成的代码越多,积压的问题越多。 生成能力变强,反而会把流程上的欠账放大。

人民邮电报那篇报道点了三道坎,说得很实在:可靠性与成本、业务深度融合与权限治理、标准互通与权责界定。翻译过来就是三句话:

· 生成的结果够不够稳,跑错了代价谁担

· 智能体碰核心数据和权限时,边界怎么划、操作留不留痕

· 各家工具和编排规范不统一,会不会又多出一批孤岛

这三道,恰好都不是模型能力能解决的。它们属于工程和治理,得靠流程设计。

图2 可靠性、权限治理、权责界定,都不是模型能力能解决的

三、领铄的做法:四件事,把生成能力放进工程流程

领铄智能的 AI 软件工厂,是基于 Blade Agentic OS 的软件生产能力。它围绕四件事组织,顺序不能颠倒。

① 工具分级。按业务敏感程度和数据边界分:通用开发、代码生成、问题排查这类环节,可在符合安全规范的前提下选用合适工具;涉及核心业务数据、数据库结构和系统源码的,放在采购人可控的环境里处理,并落实脱敏、操作留痕和人工复核。

② 流程贯通。需求确认、架构设计、代码开发、测试验证、版本发布、验收交付串成一条线。AI 生成的代码、文档和技术产出,经专业人员复核确认才进入下一环节。过程有记录,质量判断有依据,交付成果可追溯。

③ 质量内控。每一环有明确的判断依据和评测记录,不是「看着差不多就行」。

④ 交付规范。需求规格、设计说明、测试报告、验收材料、运行记录,该有的都有。

图3 工具分级、流程贯通、质量内控、交付规范,顺序不能颠倒

这套做法和 CMMI 这类过程成熟度框架是相互印证的:评估的是研发过程本身。真按这套流程做事,证书才有意义,否则只是一张纸。

还要说清楚边界:自然语言生成能明显缩短从需求到原型的路径,但复杂系统仍需要需求确认、架构设计、安全审查、测试、用户验收和运维保障。我们不把它讲成「不用专业人员也能零风险上线」。

四、一个更实际的问题:业务方要改界面怎么办

工程流程理顺之后,还有个高频摩擦点:界面。

传统系统里,界面是写死的代码。想改就要改代码,改代码就要走完整流程,快则一个月,慢则半年。于是有了那个熟悉的局面:上线头一年挺好用,第三年有人抱怨,第五年大家绕开它用表格。

在 AI 软件工厂里,页面由自然语言描述生成:说清楚角色、字段、业务规则和想看到的信息,生成页面和对应逻辑,在预览里直接看效果,不满意就接着说、接着改。 改界面不需要改代码,因为界面本来就是生成的产物。

价值不在「好看」。财务、运营、研发打开同一个系统,想看的模块本来就不一样。以前靠权限系统勉强实现,办法是隐藏菜单、禁用按钮,但隐藏不等于适配。现在可以给财务一个「待审 + 支出」的首页,给运营一个「数据 + 工单」的首页,同一套数据、同一套权限,呈现方式不同。

能改的:模块取舍与排布、字段展示顺序、常用入口位置、按角色区分内容范围、信息密度。

不能改的:权限边界、数据权限、审批规则、留痕要求。这些是系统底座,和界面无关。

图4 上层模块可以调整,下层规则不动

还有个前提:界面由生成产生,生成质量就和描述质量有关;页面要经过审核才上线,不是生成完就直接给全公司用。

五、选型时,把这四个问题问在前面

大厂的动作把方向说清楚了,但落到自己单位,还是得问具体问题。下面四问,可以在选型会上直接用:

1. 生成出来的东西,谁签字确认能进下一环节?

2. 核心数据和源码在谁的环境里处理?操作有没有留痕、能不能审计?

3. 出了偏差,能不能定位是哪一步、能不能退回上一版?

4. 需求改一次,要多久、要不要重新排期?

这四问都不涉及模型参数,但它们基本决定了:这套东西是帮你把活交出去,还是帮你多欠一批技术债。

回到那个判断

AI 编程这一轮的竞争,已经不是「谁的模型更会写代码」。

京东说「从代码生成走向成果交付」,Factory 说「自主但不能放弃对代码的控制」,国内几家在讲「全链路」「业务交付」,说的其实是同一件事: 生成能力已经够用了,缺的是把它组织起来、并且能负责的那一层。

所以选型时可以少问一句「它能写多少代码」,多问一句:它写完之后,谁负责让它跑起来、跑得住、跑得对。

这个问题的答案,决定了 AI 编程是省了半年时间,还是多欠了半年技术债。

你们单位现在卡在哪一环?评论区聊聊。


来自 “ ITPUB博客 ” ,链接:https://blog.itpub.net/70051598/viewspace-3189644/ ,如需转载,请注明出处,否则将追究法律责任。

下一篇: 没有了~
请登录后发表评论 登录
全部评论

注册时间:2026-11-10

  • 博文量
    4
  • 访问量
    3129