2025QECon全球软件质量效能大会：CodeBuddy驱动的Agentic AI Coding编程实践

CodeBuddy驱动的AgenticAICoding编程实践汪晟杰｜腾讯产品专家、腾讯CodeBuddy产品负责人腾讯资深产品专家

，

20年工作经验

，

负责腾讯云开发者AI代码助手产品规划设计与运营

，

十多年协作SaaS和

SAP云平台、

SuccessFactors

HCM、

Sybase数据库、

PowerDesigner等产品的开发经理

，在软件架构设计、

产品管理和项目工程管理、

团队敏捷、

AI研发提效等方面拥有丰富的行业经验。目前负责的产品是开发者产品

，对开发者工具情有独钟。

对AI

Coding有多年研究和深度探索。负责打造的产品有：

CodeBuddy

IDE、

插件、

CodeBuddy

Code全系

，

以及Cloud

Studio云端开发等。姓名汪晟杰腾讯资深产品专家、CodeBuddy产品负责人目录CONTENTS1.AICoding是什么2.什么是AgenticCoding3.编码智能体跃迁到自主智能体的尝试4.遇到的问题和解决办法PART

01编码智能体的落地实践

AICoding

+

日常研发流程协作1.单智能体

→

多智能体协

作2.

•从“助手

”走向“

自主

”3.

•Agentic

Workflow将成

为企业AI应用主流范式规划•Agentic模式：1.

分解任务2.调用工具查资料3.

自测&

调试4.

多智能体交叉验证•效果：准确率显著提升 什么是AgenticCoding任务调用1.

工具的调用2任务子Agent的隔离调用3.运行调用4.获取上下文工具反思1.AI

自我反思+

人工审校2.多轮交互逼近输出高质量成品02010304 AgenticCoding•

明确目标需求复杂度以自然语言表达和澄清你的开发目标，确保每一步都有清晰的方向。•

AI

生成初版代码借助大模型根据你的需求，快速生成基础实现方案，奠定功能骨架。•

运行并验证效果实际运行并测试生成的代码，及时了解功能完成度与存在的问题。•

反馈问题与新想法对测试中发现的问题和新的功能需求，及时进行反馈和补充说明。•

AI

迭代优化代码让AI基于反馈持续重构与完善代码，修正bug，优化细节，提升整体质量。•多轮循环直至理想重复以上流程，持续交互和迭代，直到你对代码和产品完全满意为止。功能补全工具（如Copilot）AgenticCodingWorkflow代码生成片段级别任务/项目级别任务分解无自动分解与规划工具链使用不参与主动调用多种工具反馈修正静态补全动态反思与迭代修正工作周期即时短暂持续长周期代码补全推荐只是Agentic

Coding工作流的起点，是一种特殊的coding

agentic

workflow 代码补全与AgenticCoding的本质区别Craft

自主编码模式（Agent

+MCP模式）基于大模型开启Agent、

MCP模式

，

自主需求理解和编码多文件及改写内联对话模式以对话方式根据工程上下文辅助生成代码块语词补全基于代码语法、语义分析，语词级别的代码补全表达式补全代码补全注释生成代码纯手工编码

探索和尝试第一代语词补全并开启基于

LSTM

代码补全探的第二代智能补全2023.3在腾讯内部以私有化版本代码助上线

，开启第三代AI辅助编程

，并并客户侧落地开启以Vibe

Coding(氛围编程)和

+

Agent

软件开发智能体等开启多智能体协作编程新时代腾讯内部全面推广落地

AI辅助编程

，同时对外部开发者提供AI辅助编程工具2022.6布局AI代码助手Chat

的问2018之前2025+2022201820232024 编码智能体AICoding演进高级智能支持技术对话（技术问题

，架构分析）Craft

Agent（多角色协作拆解）企业级控制Rules（团队规范

，项目规范

，个人习惯记忆）MCP（通用服务轻松集成）实时交互支持Inline

Edit（智能对话编辑代码）Te

r

mi

na

l

Chat

（自

然

语

言

CI/CD）核心编码能力代码补全（全语言支持）NES（下一步操作预测

，提升开发效率）

从片段补全到系统设计，AI驱动开发闭环需求管理（TAPD）MCP

(Model

Context

Protocol)：

兼容MCP开放生态，推动AI与外部系统标准化连接，

串联端到端的开发全流程MCP

ServerSecurity

MCP

Server

OpenData

MCP

Server

RAG

MCP

ServerT-Sec

MCP

Server

Cloud

MCP

Server

Wiki

MCP

ServerDB

MCP

Server

Pipeline

MCP

Server

Search

MCP

ServerWork

Flow

Agentic-模型自主Plan

Custom

–

自定义工作流VSCodeJetBrains

Visual

Studio

Xcode

Vim微信IDE

腾讯

AI

IDE

（腾讯自研，深入结合

AI

场景的

独立

IDE

工具）编码开发（Agent）安全扫描(啄米鸟/TCA)DesignMCPServerCODINGMCPServerBrowserMCPServer现有研发系统设计软件(uin)本地Codebase云端Codebase混元技术对话模型TACO推理加速框架需求生成代码Agent知识扩展知识库多文件修改Agent代码补全与NES技术问答ChatIDEs&

ClientTIONE大模型平台混元代码补全模型核心能力LLM

大模型智能DevOps系统支持

代码补全、AI

问答、Agent

智能体、代码评审、单元测试、MCP等核心能力，

由腾讯混元、Deep

seek等模型提供支持，覆盖多种主流IDE，并且即将推出

独立的AI

原生IDE。 CodeBuddy的AgenticCoding之路

实战中遇到的问题与解决方案上下文工程带来的一系列工程问题和成本问题01

02

03

04成本

工具扩展

性能

开发质量1.

缓存命中技术的核心思想是空间换时间2.上下文工程下，多轮对话反思，携带上下文应尽量工程层面上触发到缓存命中3.利用好大模型的PromptCaching建议：1.

建议将prompt的不变部分（如系统提示、背景信息、示例）放在前面，变化部分（用户输入）放后面，以提升缓存命中率。2.

缓存内容主要包括系统提示词、少样本学习示例和标准模板，典型应用如客服机器人、代码助手和文档翻译，命中率可达60%-85%，节省大量API成本。 成本的解决办法–大模型缓存率提高1.

采用更好的functioncalling机制函数工具（FunctionTools）：由JSONSchema定义的结构化函数自定义工具（CustomTools）：支持自由文本输入输出的工具内置工具（Built-inTools）：包括网络搜索、代码执行、MCP服务器访问等平台级功能2.让模型来决策哪种工具，不要干预3.工具之前尽量不冲突

工具扩展的解决办法

解决性能的办法1.开启并行工具调用2.减少废话（提示词优化）3.减少不必要的来回返工（特别是文件感知变化能力）4.撤回/接受/拒绝的人为反思增加权重5.长期记忆

，比如工程理解上可以生成CodeBuddy.md6.会话压缩总结

生成的效果

-依赖于

-结构化规约工程开发是一种结构化规约SpecCoding•Spec

Coding是软件开发的未来驱动力，通过将需求与实现一体化，显著提升开发效率与质量。•工程开发本质是一种结构化规约，依靠层次化、模块化和标准化原则，确保系统可维护、可扩展和高复用。•为产品需求创建详细的问题，为AI提供清晰的蓝图精准理解需求将创意和现有的产品设计变成功能性原型、网页应用程序和交互式用户界面

Vibe

Plan–Vibe

Design–VibeCoding

规划

设计

编码

1.规范即源码：将需求文档直接转换为可执行规格2.全栈一致性：从业务逻辑到测试用例均源自同一规格3.

自动化生成：代码、测试、文档自动生成

，减少手工编码优势 AgenticCoding展望1.Tooling趋势细分

：未来AI

IDE或分化为

“快速原型工具”（如Cursor）

与

“面向工程的工具”（如

Ki

ro）

不同路线

，迎合不同需求场景2.规范自动化演化

：规范与执行闭环越来越完整

，AI工具可能将规范生成、

执行与校验流程进一步统一与智能化。3.

团队协作优先：

团队标准、

代码质量、

文档一致性将成为AI工具主要服务对象

，

普及规范驱动开发理念。4.AI智能化升级

：结合steering与

hooks

，

以及上下文整合能力

，未来AI能更主动识别模式、防错、

自动调整规范与实现。5.打通整个SDLC：

未来工具或能覆盖需求、

设计、

开发、

测试、

部署、

监控等全流程

，形成端到端AI开发平台。方案设计->代码编写->

单元测试

->

CodeReview

->

CI/CD

->

发布上线查阅资料、部署环境、参加会议、代码优化、缺陷/安全问题定位与修复 AgenticCoding对企业的帮助研发流程l

一键生成单元测试，提升覆盖度l

AI

自动评审，

自动提供修改建议l

提供安全问题的解读、建议和修复代码1H

30min问题修复各类会议30min

+l

代码自动补全，

自动生成l

IDE

内快速查看编码所需要的知识l

根据错误信息，快速定位问题显著提升效率，节省宝贵时间3.5小时，效率跃升近44%效率提升质量提升方案设计需求开发单元测试CR/MR1H20min30min10min1H30min4H2.5H

PART

02编码智能体与软件工程的价值场景AI在软件工程应用方式加速迭代AI

开发团队AI

软件工程师智能体编码助手软件行业大模型基础大模型A

I

底

层

模

型

能

力

稳

步

提

高

AI

加速驱动软件工程智能化，未来将以人

+

AI

开发协作团队随着AI不断发展

，软件工程领域迎来前所未有的变革

，软件工程的流程和模式正被彻底重新定义

，AI解决开发问题能力持续提升

，软件工程智能化趋于成熟。我们认为

，未来软件工程应用方式将以人+AI开发团队(Developer

+Team

Member)构成新的研发协作模式2025年2022年

DeepSeek

R1发布ChatGPT发布2001年敏捷软件开发宣言发布模

型

层

面

应

用

层

面插件2009年第一届

DevOpsDay举办持续构建、持续集成、持续交付敏捷开发、DevOps工具链代表1968年NATO会议“软件工程”诞生结构化、规范化、工程化瀑布模型代表AI解决开发问题能力持续提升AI原生IDE

…

…软件工程

1.0纯手工编码软件工程3.0AI辅助编码编码助手软件行业大模型基础大模型编码助手软件行业大模型基础大模型理解能力、生成能力AI

Native

技术代表软件工程发展历程软件行业大模型基础大模型复杂问题解决能力持续提升软件行业大模型AI

软件工程师软件工程2.0基础大模型编码助手基础大模型智能体智能体自动化程度2027年达成L5

，AI在编码中的作用正从语法辅助转向全生命周期管理。软件工程A

I托管

自主完成

任

务

的

程度L3L4L52027年AI开发团队真正意义的AI

团队上岗2026年AI全自动驱动软件工程

，优化研发环节2025年AI辅助软件工程随编码智能体技术进步

，让AI接管常规开发工作

，通过软件工程全新范式定义

，实现AI为驱动的全自动化开发

，并逐步从L3进阶到L4

，

L5的新产品形态

，我们认为CLI是下一代AI软件工程基础设施的最佳形态文件级代码生成专注于代码补全和对话式提供代码生成意见。这类工具通过智能建议显

著提升编码效率

，已成为现代开发环境的标配

，为更先进的AI工具奠定

基础。任务级自动化工具能基于描述性提示处理功能开发、缺陷修复和代码重构等任务。但

需要精心设计的提示词和源码上下文支持

，手动创建这些提示较为耗时。项目级自动化能分析需求并生成PR

，通过工具集成平台实现需求收集→代码生成→

PR创建→部署的多步骤自动化主要处理简单项目

，仍需人工审核代码质量。AI软件工程师由人类驱动向AI驱动开发的关键跃迁。实现从产品需求到生产部署的全

流程自动化

，能够解释需求、管理部署和维护生产环境

，使非技术人员

也能快速创建完整软件产品AI开发团队将出现协作式AI代理系统。多个AI代理可分工协作处理不同开发环节。

智能体(Agent)落地演进范式：从AI助手到AI工程师，再到AI开发团队L1L2L3L4L5核心能力层级企业生产应用大规模复杂工程级生产应用，需要继续保持团队协同

开发到发布的软件工程体系。AI需要另一种形态，参

与驱动开发，并得到更好效率提升•

企业级应用架构复杂•

从编码到版本管理发布•

需求/缺陷等并行开发自动化•

与业务团队协作和规范化代码治理、评审、纠错产品形态AI

全链路参与团队一起，并行完成各项任务。而IDE给开发者使用，对于AI而言，异步化、智能化、无干预、连接软件工程各个环节，CLI会是更好的一种产品形态。产品形态需要IDE能力，集成开发资源，面向代码加载语言LSP协议，

帮助开发者智能辅助开发和运行调试，过程中AI作为辅助生

成智能编码辅助应用开发专业开发团队的项目，

需要业务人员借助IDE可视化能力，来观察确认AI的每一步步骤的完成，如：•

编码辅助补全•

产设研一体的应用开发•

数据分析工具•

语法可视化及编译调试•

MVP

原型验证项目

AI驱动软件工程，

CLI会是基础设施的最佳形态特征l

传统开发者主导

，AI打辅助的编码模式l

手动调试过程

，依赖于开发者的技术基础l

通过对话给出建议

，手动复制改动（不信任AI托管）效果l

编码过程推荐行生成l

通过对话解决问题

，需要多次修复试错学习曲线及要求l

需了解编程底层技术

，需自主学习能力和积

累项目中实战经验

，靠自身经验来驱动AI辅

助编码特征l

基于AI智能体和AI对话至上

，采用自然语

言描述需求

，

实现多文件代码生成

，

生成

执行的应用l

精准描述需求和任务表达有助于AI

生成代

码质量效果l

可视化的工程级别开发

，但需等待AI完成

看效果

，期间不能协同完成。

中等效率学习曲线及要求l

学习曲线中等

，非程序员(如产品、设计等

小白用户）

也可编码

，

侧重和锻炼表达功

能能力l应用规模偏小

，较大项目不敢乱用特征l企业级通用适配：一套命令适配所有环境要求l

自

动

化

与

可

组

合

性

：

无

缝

接

入CI

/CD

、

DevOpsl

面向AI编程未来

：Agent

+

CLI驱动研发自动化l

高性能与安全合规

：支持沙箱隔离运行l

支持无GUI环境下的软件智能体运行效果l

结合规约文档

，并行完成任务、修复缺陷到版本提交合并发布自动化l

结

合

软

件

工

程

端

到

端的

场景

丰富，结

合DevOps覆盖面更广l学习曲线及要求l

面向专业开发者专业的软件开发模式未来

，三种产品形态会一直并存

，满足不同需求规约编程驱动产设研编码平台（

CodeBuddy

IDE）

不同人群选择不同的方法AI编码辅助（CodeBuddy

Plugin）软件智能体（CodeBudddyCode

-

CLI）

不同人群选择不同的方法首个终端形态的AI开发工程师团队•能力：支持GPT、Gemini、DeepSeek

、hunyuan等主流模型•上岗前：分析工程并记录工程指导书CODEBUDDY.md•上岗：

问题修复描述

，拆解任务

，修复运行

，合并冲突提交

，生成报告•评审：

结合流水线任务和工程指导书，结合仓库，生成

评审建议•还有兄弟：不是一个人战斗，可以扩展定义Sub-Agent和Commands

，一群人在干复杂任务MCP协议调用开发者工具TAPD

腾讯设计

智能体开发平台CNBTCA腾讯云COSCloudStudio

智能体编程的真正价值在于结构化沟通规划

设计需求拆解

架构规范设计

原型/UI设计多智能体协作依赖规范共识和系统设计开发安全

测试

部署技术规范和系统设计共识加速AIAgent协作

，驱动开发效率跃升•

测试用例生成•

测试执行辅助•

测试问题反馈分析•反思修复•

对话式需求澄清•实现目标需求•需求规范文档创建•

项目计划建议•部署至腾讯云等基础设施厂商，发布可运行应用•

前端规范•

后端规范•业务流程梳理•安全规范•

HTML代码转前端样式与代码•

基于技术约束自动编码•

自然语言生成UI设计图•设计图转

HTML代码•

基于技术约束、规范、项目约

束自动编码业务逻辑编码规范是跨角色协作的共识语言•

提交分支•

代码扫描•

扫描报告•

自动调试、反思修复UI前端编码调试

软件工程智能化的全链路`任务规划任务编排/动态规划通用模型2B|3B|7B|13B|70B|175B……MoE1B|2B|3B|7B|30B|50B|70B

…

…知识检索与技术问答 软件/产品知识检索(多路召回）

全域技术问答（私域+公域知识自然语言数据查询

基于自然语言研发数据查询•跨研发领域的关联对象查询自然语言功能调用•基于自然语言调用接口/功能•基于意图的任务编排及调度研发任务及操作引导

汇总研发交付进展信息

引导用户完成任务或操作研发数据及风险分析•生成研发数据分析报告•辅助研发全链路风险分析

需求

设计

开发