从 Copilot 到 Agent AI 编程的范式革新

1. 从 Copilot 到 Agent AI 编程的范式革新演讲人：丁宇（叔同）

2.

3. AI Coding 是 AI 应用的核心场景 AI Coding 已经成为软件研发的必选项 91% 正在用 AI Coding 61.80% 使用AI编程工具的开发者平均生产力提高35% ，其中20%的开发者效率 30% 提升超50% 没有打算 24.40% 计划使用 13.80% 美国中国 AI编程工具使用占比全球开发者AI编程工具使用率 AI编程助手对中国开发者覆盖率在30%，中国市场有极大发展空间数据来源：StackOverflow 来源：IDC发布的一季度中国市场代码生成产品评估

4. 模型能力进步促进 AI Coding 产品演进应用场景在扩大，产品边界在延伸模型发展带来产品更多可能性复杂问题处理编程能力 93.8 ArenaHard 70.7 LiveCodeBench 任务准确率 61.8 Aider@pass2 上下文窗口 128 k 高 SDLC 任务复杂度低需求实现编码任务研发问答代码补全环境信息复杂度高

5. 场景覆盖：从 Copilot 到 Agent 自主编程代码补全代码解释错误排查代码评审原型生成缺陷修复需求实现知识检索优化建议单元测试代码重构任务规划架构升级功能验证 Agent 自主执行辅助开发 Copilot • 代码片段生成 • 基于任务描述的多文件处理 • 人工触发同步互动 • 自主执行多轮迭代 • 面向代码语言 • 面向自然语言 • 实时伴随 • 异步任务

6. 开发者的工作重心迁移 • 将更多精力投入到整体设计、需求澄清及结果验收，缩短技术实现周期，加速业务迭代循环 • 技术平权，拉高开发者能力基线，初级程序员也具备中级程序员的生产力和技能，但必须要能驾驭 AI 工具需求承接结果验收需求承接结果验收技术实现技术实现

7. 企业落地 AI Coding 最佳实践从程序员熟悉的工具切入，避免切换日常开发环境，降低工具替换成本建立落地的场景路径，先从前端、数据度量，对于代码采纳率、代码单测等简单场景，逐步过渡到核心替代率、需求吞吐率进行度量，复杂场景建立正反馈激励机制构建和改进研发工具链，从「人类使用文档来记录全局设计和历史建立企业 AI 编程技巧、规则模板等友好」到「AI 友好」，易于被 AI 积累，及时更新文档，构建企业最佳实践，常态化分享培训，拉齐工具调用知识库，形成经验记忆员工能力水位

8. 通义灵码的演进阶段通义灵码 Next 通义灵码 2.5 通义灵码 1.0 辅助编码协同编程自主编程人：技术设计、提示和确认人：任务澄清、干预、结果审查人：创意、需求澄清、结果验收代码任务需求人类 AI · 人类 AI 人类 AI ·

9. 通义灵码的产品形态 < / > 插件轻量化、非侵入 1 生态兼容性覆盖更多端快速规模化云端 IDE 获得更多的环境信息 2 操作更多的工具交互体验的创新无限资源、无限时间 3 异步化、多任务并行获得更多的远程信息

10. 通义灵码的能力优势毫秒级的生成速度编码时行级/函数级实时续写，编码效率高恰到好处的生成时机用户键入和生成时机针对性优化，不等待不打扰恰如其分的生成长度根据语法、代码上下文环境智能识别生成长度贴合代码库的业务场景支持跨文件上下文感知，生成代码更贴合库上下文

11. 端到端优化是实现优质效果的最短路径 IDE 插件 Lingma IDE • 毫秒级的生成速度：丰富的模型组合、分级缓存本地服务服务端模型代码分析会话管理上下文感知代码后处理向量检索执行引擎提示词工程模型路由检索增强意图识别缓存管理安全管控代码补全模型研发问答模型企业专属模型智能体模型多模态模型 Apply模型 • 恰到好处的生成时机：大量 A/B测试及自适应的触发策略 • 恰如其分的生成长度：基于语义理解的自适应生成粒度决策 • 贴合代码库的业务场景：本地检索增强及工程感知

12. 为不同场景选择不同的模型全尺寸、全模态、多场景的 Qwen 模型能力，满足 AI Coding 的场景需要低时延代码补全的请求量 > 70% 知识问答的请求量 > 20% 专项任务 + 长程任务请求 9 % 专项任务代码补全高频（低成本）低频（高成本）知识问答长程任务 Chat Agentic 高时延在时延、吞吐、成本、质量上取得平衡，质量优先

13. 模型调用的优化策略减少请求优化策略最小化Tokens 1. 减少请求：尽可能限制完成任务的必要请求数；增加缓存 2. 最小化Tokens：降低输入的 Tokens 数，优化模型输出的 Tokens 数量；控制上下文长度更优质的模型 3. 选择更优质的模型：在保持准确率和效果的情况下，平衡模型的成本和时延

14. 通义千问推出最新 Qwen3 系列思深，行速，全球最强开源模型多语言支持，支持 119 种语言和方言，满足国际应用需求混合思考模式，根据任务控制模型进行“思考”的程度优化模型的 Agent 能力，加强对 MCP 的支持提供混合专家 (MoE) 与稠密模型多种尺寸选项 Qwen3-0.6B Qwen3-1.7B Qwen3-4B 预训练数据量提升2倍，达到约 36 万亿个 token Qwen3-8B Qwen3-14B 结合强化学习的多阶段后训练策略 Qwen3-32B Qwen3-30B-A3B Qwen3-235B-A22B 模型蒸馏

15. 打造 Lingma 领域专属模型通过强化学习，打造代码补全及 NES 模型，采纳率 >35% 开发者行为数据奖励模型线上A/B测试模型迭代强化学习代码补全模型 NES 模型多语言、项目级、高质量开源代码库模拟开发者行为，契合开发者编码行为，学习开发者的习惯偏好。通过 A/B 测试验证效果，持续迭代 1. 代码编写（项目级） • 自适应粒度代码生成 • 聚合项目信息消除幻觉 2. 代码修改（项目级，多位置） • 类比关联修改 • 多文件关联修改 3. 代码重构（项目级，多位置） • 代码签名重构 • 代码逻辑重构

16. 用户需要什么样的 AI IDE 简单上手易集成交互创新体验升级；能力水位持续提升；与现有的开发工具外部服务集成，拓展能力边界模型驱动进化企业知识学习、工程理解及记忆，懂企业、懂工程、懂用户习惯的 AI Coding 工具

17. 通义灵码新交互：从依赖菜单到基于对话从传统菜单，变成 Input Box：用户交互依靠对话，开发语言是自然语言理论上所有的菜单都可以取消，IDE 的交互会走向极简化

18. 对话式的软件研发每一次对话，就是一次需求迭代 • • • • • • • 创建代码脚手架迭代新增 feature 完成单元测试新增前端工程重构代码 Review 代码提交代码

19. 简单上手易集成：具备无缝“连接”的能力面向统一的集成协议，扩展 AI Coding 工具的能力边界通义灵码统一 API Model Context Protocol (MCP) Wiki Database GitRepo

20. 模型驱动的进化工程自动感知根据开发者的任务描述，自动感知工程框架、技术栈、所需代码文件、前后依赖关系等信息，不需要手动添加工程上下文，任务描述更轻松

21. 模型驱动的进化全面完整的工程感知，为模型输入准确上下文智能问答上下文 IDE 客户端本地服务代码分析代码后处理会话管理向量检索上下文感知本地工程模型提示词工程知识管理代码补全模型模型路由扩展管理专项任务模型当前代码上下文检索增强安全审计研发问答模型代码变更变变更更队列队列检索服务索引服务向量检索（稠密）代码全文检索向量检索（稀疏）代码图谱检索向量索引全文索引排序筛选工程信息执行引擎变更事件服务端用户原始提问代码补全上下文代码图谱相似代码检索结果聚合去重相似代码相关代码聚合结果 Rerank 排序筛选 Top-K 模型推理

22. 模型驱动的进化记忆感知基于大模型的自主记忆能力，在与开发者的对话中，形成针对开发者个人、工程和问题的丰富记忆，越用越懂开发者习惯，提升协作效率

23. Agentic Coding 当工具带来足够的上下文，模型能力持续提升，Agentic Coding 将爆发式增长完成从 Copilot 到 Agent 的编程范式革新自然语言自主能力学习适应更长的上下文更便宜的 Tokens 辅助专项任务自然语言编程感知能力单一任务复杂任务决策能力智能体系统工程 Multi-Edit 供码补全目标导向工具使用符号语言

24. 打造 Lingma 专属智能体模型通过强化学习，打造专属软件工程智能体大模型用户标注反馈模型迭代用户采纳行为项目环境执行反馈 • 收集海量开源项目代码库，作为任务场景 Agent Reinforcement Learning A/B 测试反馈飞轮灵码 Agent 模型融合用户行为反馈飞轮 • 工具使用数据仓库沙箱环境 • 训练数据；充分利用真实大型项目的各类复杂需求、思考过程、工具交互、开发行为，进行大模型强化学习训练，提高模型解决方案探索的准确率和效率；最终让模型探索出，解决复杂问题的规划和代码生成能力

25. Agentic Coding 工作流人们根据需要或认为必要，可以在多个节点进行人工干预和审查自然语言输入理解和推理生成任务计划自主编码及试错迭代学习和纠偏确认输出结果

26. Agentic Coding 的最佳实践给 AI 更多的上下文以及工具；给人类更多的确定性结果

27. AI Coding 工具在企业落地的挑战在统一管控、安全合规以及企业运营，都面临较大挑战统一管控安全合规数据化运营企业级账号、许可及权限管理，让企业级服务管理更便捷全方位加密、网络和安全策略，助力企业构建安全、合规的研发环境在企业内部快速落地，能够清晰地衡量实际的收益和效果多种账号身份集成全程数据加密和防护企业落地推广最佳实践统一许可授权专属 VPC 实例部署自定义个性化模板精细化权限管理网络白名单管理数据看板

28. 数据跨境以及安全风险在效率和安全之间达成一个平衡合规风险：企业面临数据合规及隐私要求，限制核心数据不跨境 THE RISKS OF AI- GENERATED CODE 漏洞：自动代码生成可能会无意中引入漏洞，例如弱加密、注入攻击或意外的访问点对抗性攻击：攻击者可能会使用对抗性技术操纵 AI 生成的代码，从而导致安全漏洞或漏洞利用

29. 零信任前提下的部署方案企业内网灵码服务 IDE 编码助手企业SSO登录专线连接模型路由身份管理知识管理扩展管理安全过滤模型推理服务安全过滤企业专属模型知识管理数据库推理代码、文档向量数据库公共推理集群通义百炼模型整洁模型推理服务模型推理服务代码补全模型研发问答模型混合数据集管理模型训练平台企业专属专属推理集群 VPN接入数据清洗服务提示词工程

30. 代码安全及隐私保障全程数据加密基于 https 加密传输，支持身份鉴权、内容安全防护，全程保护数据安全通义灵码插件不存储、不进行二次训练开源合规的训练数据代码上下文仅用于模型推理，全过程数据不落盘，不会使用你的代码和数据进行二次训练基于通义大模型进行编码领域针对性训练，所有用于训练的代码数据均为开源合规数据通义灵码本地客户端服务和模型推理此过程代码数据不落盘，不会用于二次训练可配置的预处理 https 可配置的后处理安全滤网内容加密 API 模型推理返回客户端

31.

32. THANKS 探索 AI 应用边界 Explore the limits of AI applications