当一个AI编程助手在TCL深度上岗，工程师的活儿变了

一家老牌制造业巨头如何用AI Agent重构研发流水线？在TCL与腾讯云CodeBuddy的合作中，我们看到了答案。这款由腾讯云推出的AI编程助手，能够读懂企业代码库，贯穿从需求拆解、代码编写、测试修复到部署上线的全链路，并牢牢守住安全底线——这恰恰是大型制造企业最在意的事。

过去两年，几乎所有软件工程师都经历了一场内心震荡。

AI写代码比人快多了，不仅能写，还能改Bug、做测试，一个Agent干好几个人的活儿。于是焦虑在所难免：码农要断代了，我还能干什么？当90%以上的代码都靠AI完成，什么样的工程师还被需要？“屎山危机”下，曾经的研发护城河，该如何重建？这不仅是当前程序员的难题，也是摆在所有大企业面前的残酷现实。

在TCL实业的软件工程中心，一条肉眼可见的分水岭已经出现。“我都有点不敢相信，两天把整个功能交付了，开发模式真的被颠覆了。”TCL实业软工中心应用开发总监沈雪松难掩激动。一家老牌制造业巨头如何用AI Agent重构研发流水线？我们在这里看到了答案。

TCL实业软工中心应用开发总监沈雪松

不同于强调敏捷开发的互联网创业公司，沈雪松和近2000名同事面对的研发工作要沉重得多。发往全球160多个国家的产品、长达十几年的历史代码库、严苛的IPD（集成产品开发）流程，构成了这里巨大的系统围墙。在这里，一个新人从入职到能上手，对内部系统代码有深入了解，需要整整三个月。面对这样一台庞大复杂的机器，不仅要求团队有持续的AI实践，也需要管理者认知清晰，找到真正能把AI用进业务里的解法。

通用模型读不懂TCL的代码，直到腾讯CodeBuddy接进来

TCL研发端在AI上的探索并不晚。早在大模型爆发之初，TCL实业的软工中心就尝试在代码Review、补全等环节用AI辅助，但很快他们就发现了问题。“单点确实有一些提效，但当链条上某个节点成为瓶颈后，整个效率却被拖垮了。”沈雪松说。这意味着，整个研发链路的交付周期并没有实质缩短。更让研发团队头疼的是，市面上通用的AI模型，根本读不懂TCL内部的系统代码。AI给的建议像是通用的“正确废话”，一落到真实的业务里，就抓瞎。当AI无法融入企业专有的知识库，无法跨越不同的工作流节点时，它充其量只是一个聪明的“外挂”。

真正的转折发生在2025年3月，研发端与腾讯云CodeBuddy团队的深度接触后，后者是腾讯云推出的AI智能编程助手。最开始，沈雪松团队以插件形式接入CodeBuddy，进行十几人的小项目试点。他们发现，CodeBuddy不仅能写代码、无缝嵌入现有平台，还能将团队原有知识库“翻译”给大模型，这很难得。

腾讯云工业南区总经理郑旭告诉我们：“CodeBuddy主要分成两部分，一是底层模型，二是模型之上做封装，也就是工程化的能力。很多企业需要和现有流程、系统做对接，让更多的软件工程师用起来，这很关键。”不到3个月，TCL实业软工中心的试点规模就从十几人扩展到500人。对于一家有着严苛研发规范和保密要求的老牌制造企业来说，这个拥抱新工具的速度，前所未有。

腾讯云工业南区总经理郑旭

沈雪松用了一个比喻来形容这种开发范式的颠覆：过去，团队是拿着手电筒，在原有旧流程里四处照，看看“这个节点能不能加点AI”；现在，他们把整条研发线拖到大太阳（AI）底下暴晒，重新拷问每一个业务节点“为什么这步不能由AI来做？”，这是团队从“+AI”，走向“AI+”的关键一步。目前，CodeBuddy已覆盖TCL实业软工中心90%以上的研发工程师。

从排错到跨栈：CodeBuddy在TCL的三笔效率账

评价一家企业的“AI含量”，不能只听口号，必须看它是否进入了业务腹地，并算清产出账本。在TCL实业软工中心，CodeBuddy带来的改变是具体且有冲击力的。郑旭概括得很直白：“AI落地更适合先从最小闭环做起。先让老板看到ROI，也让一线工程师真切感受到提效，再往更多场景延展。”放在TCL实业的软工现场，这套路径并不抽象。它最早落地的，正是那些最耗人、卡住研发节奏的环节。

首先，是日常排错。过去，解决一个历史遗留Bug，工程师需要先读旧代码、复现问题、排查修改，最后再补全测试，一整套流程走完，8小时的常规工作日就此消磨。现在只需把报错日志和源码交给腾讯CodeBuddy，它能全部搞定，人只要在关键节点确认方案。原先8小时的工作量，被压到了1.5小时，问题排查与修改成本降低80%。这种效率的提升，在单元测试上尤为明显。开发通常要花和写核心代码一样多的时间来写单测，不仅繁琐，而且很难直接体现业务价值，一直是内部很头疼的问题。现在，这部分工作也被CodeBuddy大幅接管。

基础环节跑顺之后，AI开始打通更深的技术壁垒。沈雪松团队最近在TV端立项了一个游戏引擎项目，涉及Cocos 2D/3D建模，对长期做安卓开发的团队来说几乎是陌生地带。外包效果不理想，他们索性把任务交给一名没有相关经验的中级工程师，靠CodeBuddy拆需求、补逻辑，几天就完成了交付。过去卡在技术栈之间的门槛，就这样被抹平了。

更深层的变化是，工程师和模型的每一次对话、修改和确认，都在把过去依赖资深同事口口相传的经验，沉淀进系统里。无论是售后复盘，还是技术架构方案，最终都变成企业专属的“案例库”。模型越用越懂业务，未来再遇到类似问题，AI给出的判断更准，极大降低团队经验传递和新人上手的门槛。这是CodeBuddy在TCL内部迅速铺开的原因之一。它带来的不只是单点提效，而是进入真实的研发现场，快速地改变每一个人的工作内容、每一个岗位的能力边界，每一次项目的成本结构，每一个团队的组织协同。

在郑旭看来，这也是TCL案例最值得观察的地方。“提效肯定是一个很关键的点，企业都是效率之争。但最终企业的发展，可能还是组织的变革。”郑旭说，过去很多企业使用AI工具时，“它就是一个工具，人没有变”，但在TCL这样的深度使用场景里，变化已经开始反过来影响岗位分工和组织协同，“这才是这个项目本身很核心、很关键的一个点。”

对于一家员工数以千计的制造巨头，新技术落地不能只看好不好用，更要看底线在哪。TCL实业软工中心最初也动过自研的念头，但很快放弃了：成本追不上行业迭代速度，知识库要推倒重来，最致命的是安全管控。“外部API审计、权限分配、安全围栏，自研要投入极大精力。而CodeBuddy在这些企业级能力上非常完善。”沈雪松说。CodeBuddy同时为管理层提供了一面“镜子”。后台可以清晰看到团队的Credits消耗、模型调用频次和使用场景，管理者据此判断谁用得深、谁还需要培训，让AI投入不再是一本“糊涂账”，而是可衡量、可优化的动态账本。

当岗位边界消失，什么样的工程师还被需要？

当AI写代码的速度远超人类，必然引发组织形态的剧变。正如OpenAI联合创始人Andrej Karpathy所言：“编程的基本单元正在从写文件，变成管理Agent。”在TCL实业软工中心，旧的岗位边界正在被打破。沈雪松给出了对未来人才的判断：人才将分为两类，一类是“超级个体”，他们离用户最近，不再把时间耗费在敲代码上，而是敏锐地洞察用户痛点，作为“总指挥”驾驭AI快速把业务逻辑落地。另一类是“AI训练师”。他们离Agent最近，负责把TCL十几年的行业经验、复杂流程与方法论沉淀下来，投喂给AI形成企业专属资产，为前线的“超级个体”提供最强武器和弹药。

TCL实业与腾讯云CodeBuddy的这场合作，为全行业的AI焦虑提供了一套解题思路。他们没有试图规划一张完美的AI大蓝图，而是务实地找到了研发编码这个“高频、结果可衡量、ROI清晰”的最小业务闭环。从十几个人的试点，到500人的深度覆盖，再到未来1500人的全员普及，一步步将单点胜利扩大为组织的全面进化。

“未来企业比拼的不是人数，而是AI转型的决心和速度。”沈雪松在采访最后说道。在这个时代，无论是制造巨头还是中小企业，都不必等万事俱备。找到最痛的业务流，把Agent放进去，跑出结果，就是最好的答案。