AI 编程工具在大型企业“遇冷”？网易 CodeWave 升级研发模式，不只关注“代码生成”

来源：AI前线

作者 | 褚杏娟

近些年，AI 对软件开发领域的渗透不断加深。从 2022 年的编程辅助工具兴起，到 2023 年自主智能体 Devin 引发行业关注，再到 2024 年以 Cursor 为代表的产品重新定义 IDE 形态，自然语言编程已成为 AI 编程产品的主流形态，越来越多的工具开始尝试通过自然语言直接对接开发需求。

在 C 端，尤其个人用户和独立开发者群体中，通用 AI coding 工具表现出色，能够快速生成轻量级应用代码，显著提升开发效率。

然而，根据 Stack Overflow 发布的年度《2025 开发者调查报告》，国内企业级市场的 AI 技术渗透率仍然较低，目前主要集中在头部互联网公司，而大量国有企业及传统企业仍处于观望阶段。这一现状的背后，是企业级 AI 编程面临的特殊挑战。

企业级 AI coding 的痛点

CodeWave 专注于企业级复杂应用开发场景，其目标客户主要包括两类：一是拥有上百甚至上千名研发人员的大型企业，如央企、金融机构，二是依赖软件开发服务商进行定制开发的企业。这些企业通常业务链条长、应用复杂度高，对定制化开发的需求远高于标准化软件采购。

长期服务企业用户过程中，网易数智副总经理、网易 CodeWave 总经理王桐发现，通用 AI coding 工具落地到企业级复杂应用开发时，常常暴露出三大问题：

首先，代码质量不可控。企业级应用，如 ERP 模块、供应链系统等，往往需要 6-7 人团队开发半年以上，业务逻辑复杂。并且，国有企业对代码安全和架构规范性要求极高，而通用 AI 工具生成的代码多适配国外主流技术栈，与国内企业的技术规范脱节，易出现安全漏洞。

其次，可维护性差。通用工具一次可能生成数百行代码，但开发人员需要理解代码逻辑才能进行后续迭代，这比接手“他人代码”更困难：AI 生成的代码缺乏业务上下文，多人协作时难以对齐需求，后续调试、修改成本极高，违背了“提效”的初衷。

最后，业务理解泛化。企业级应用多为垂直领域需求，通用工具缺乏行业知识积累，无法有效复用企业过往的开发资产（如历史系统、私有知识库），生成的代码难以贴合具体业务场景。

“这也是为何国内 KA 企业的 AI coding 采购渗透率低，并非企业不认可 AI 价值，而是通用工具无法解决‘复杂应用 + 规范管控’的核心需求。”王桐说道。

通过客户调研和内部实践发现，网易 CodeWave 技术负责人姜天意指出，通用 AI 编程工具在国内企业级场景中主要存在三大“水土不服”的问题：

• 模型表现与技术栈脱节。国内主流 AI 编程 IDE 依赖 Google Gemini、GPT-4 等国外模型时效果较好，但适配国内自主模型后，代码生成质量明显下降；同时国外模型对国内企业个性化的开发框架、架构设计、业务知识掌握不足，生成的代码难以复用；

• 自然语言无法描述复杂逻辑：企业级应用的业务逻辑错综复杂，而自然语言本身存在“歧义性”，难以精准传递需求，导致全自动智能开发模式无法落地；

• 代码采纳率与提效预期不符：虽然业内不少企业称 AI 生成代码的采纳率为 60%-80%，但网易内部代码库的实际采纳率仅 20%-30%。AI 生成的代码仍需开发者大量补充和修改，并未真正降低开发门槛；多数客户采购 Copilot 类产品后，都未达到规模化落地的预期。

这些痛点的核心在于：通用 AI 工具只解决了“代码生成”单一环节，未覆盖企业级开发的“规范、可控、全流程”需求。

基于对企业级需求的深入洞察，CodeWave 提出了“可控的 AI coding”定位：不做通用 C 端工具，而是将 AI 能力与原有开发底座融合，聚焦企业级复杂应用，实现“提效”与“可控”的平衡。

10 月 14 日，CodeWave 对外发布多项智能开发能力，支持从需求梳理、产品构思、开发部署、迭代等全流程研发智能化，其采用可视化与 AI 融合的开发方式，同时保留人工布局与精细调整的空间，进而打造更可控、更规范、更落地的智能开发模式。

CodeWave 的解法

最新能力的发布得益于 CodeWave 的长年积累。

围绕“解决企业级实际痛点”，CodeWave 从 2023 年开始布局 AI 能力，至今经历了四个关键阶段，其核心思路是以低代码为底座，约束 AI 的“不可控”，同时借 AI 弥补低代码的“灵活性”短板；从“单一环节提效”到“全流程覆盖”，从“定性效果”到“定量数据”。

2023 年至 2024 年初，团队发现传统低代码平台虽然能够覆盖复杂应用开发，但需要开发者学习可视化设计器的操作逻辑，门槛较高，且依赖“拖拽”的方式难以快速响应灵活需求。为此，团队探索了“可视化 +AI”的创新路径。

团队在 CodeWave 中定义了一套统一的领域特定语言 NASL（NetEase Application Specific Language）。作为 Web 应用开发的“高级抽象层”，NASL 涵盖页面逻辑、数据定义、数据查询等核心概念，不依赖具体技术栈。开发者无需手动拖拽，可通过自然语言交互让 AI 识别需求并生成对应的可视化界面，同时通过 NASL 的类型检查和翻译器确保生成内容符合企业规范。这一阶段，团队推出了对话式代码生成、SQL 生成、代码解读等功能，有效解决了低代码“入门难”的问题，并在多个商业交付项目中验证了“AI+ 低代码”模式的可行性。

在企业级商业交付场景中，需要用“数据说话”来明确“AI 到底提升多少效率”“准确率如何”。2024 年中，团队开始向数据驱动转型，重点解决此前 AI 功能“效果不可量化、私有化模型能力弱”的问题。

团队参考行业 SOTA 方法，建立了完整的数据驱动模型迭代体系：构建场景化 Benchmark 评测体系，设立准确率、展示率、留存率等核心指标；通过“原开发时长 -AI 辅助后时长”“修改成本占比”等维度构建可量化的提效公式，为企业 IT 决策提供数据支撑；定期运行基准测试，将线上用户数据回流至模型训练集，推动模型持续优化，确保 AI 功能稳定提升。

到了 2024 年底，针对低代码平台“难以覆盖高度个性化场景”以及 AI 只覆盖“代码生成”单一环节的局限，团队进行了新一轮能力升级。

在复杂组件与个性化场景方面，实现让非技术人员（如运营、产品经理）通过自然语言描述需求，由 AI 生成复杂前端组件，无需高代码研发介入。功能上线两个多月内，创建和迭代组件超过 1800 次，组件开发成本从 0.5 天降至 0.5 小时，降幅超过 60%。针对游戏、营销等高度个性化场景，实现了将 PSD 设计稿直接转换为可持续调优的页面，将营销页面开发周期从“数天”缩短至“1 天”，弥补了低代码在个性化场景的短板。

此外，团队在 2024 年 7 月推出了“智能产品助手”（内部代号 PMKiller），解决研发前流程的效率痛点：通过 AI 生成 PRD、竞品分析和原型设计，生成的原型可直接导入 CodeWave 平台，转换为包含页面逻辑、数据结构的全栈应用，实现了“需求→原型→设计→代码→发布”的全链路闭环。

王桐强调，目前市场上已有工具能够从需求直接生成最终工程化交付物，但这些工具多适用于 C 端短期或一次性需求，无需掌控底层逻辑；而企业级市场由于需要长期使用和自主可控，必须透明化底层逻辑，因此团队不会选择“一步生成”的模式，而是保留人机协作的中间过程。实际上，产品与需求人员需要确认可视化交互是否匹配 PRD 等，资深工程师则需要介入复杂逻辑的实现、系统调试与优化。

未来：需求和实现的对齐

展望未来，随着项目量级增大，AI 生成内容越多，开发者的维护难度就越高。企业级复杂应用，如万人使用的供应链系统，需要实现“需求与实现对齐”和“多人协作规范”，这是现有 AI 工具尚无法完全支撑的。

为此，CodeWave 团队计划将多年积累的企业级开发实践，包括架构设计、代码规范、组件资产、质量标准等，与 AI 深度整合，推出 Spectrum 规范驱动开发模式。

这种模式的核心是“规范先行”，让 AI 在企业级复杂应用中既保持“灵活性”又确保“可控性”。具体包括将用户“混乱的需求文档”转化为 AI 友好的“规范需求”；在 AI 辅助下由架构师基于规范需求拆解开发任务，明确各角色职责；通过规范文档实时对齐需求与实现，避免“需求失真”；确保所有 AI 生成内容都基于规范，使多人协作时能够快速追溯需求来源，有效降低维护成本。