北京
汽车智能化竞争进入深水区，软件研发效率直接决定产品迭代速度，已成为车企的核心竞争力。相比通用软件研发，智能座舱研发要复杂得多——软硬件结合、多技术耦合、调用链路长，叠加多平台、多车型、多配置的业务复杂度，开发门槛一直很高。
蔚来汽车与火山引擎TRAE的合作，正在改变这一局面。双方推动AI Coding在智能座舱研发场景落地，目前开发人员日活跃率超70%，AI代码采纳率达90%，AI代码入库率达19.8%。这组数据背后，不只是代码生成提效，更是研发能力从个人走向组织的转变。
三层AI代码审查，把问题拦在编码阶段
蔚来汽车从能力、成本、安全合规三个维度综合评估后，选择部署TRAE，让AI真正进入座舱研发的核心生产环节。除了辅助生成代码，蔚来还将AI应用于代码审查、问题定位、知识沉淀等关键环节，并把能力封装为Skill技能包落地。
AI Coding Review的价值，不是替代人工Review，而是在不同阶段构建多层质量防线，让问题尽早暴露。蔚来建立了三层AI代码审查体系：
- 本地全量Review：对整个仓库进行“体检”，确保架构设计合理、系统运行稳定、业务历史问题不重现。低频，但扫描范围大且深。
- 本地增量Review：每次提交新代码前自动质检，检查语法、规范和业务逻辑，把问题直接拦截在编码阶段。高频且非常有效。
- 在线增量Review：作为团队门禁的MR进行在线审查，通过统一审查标准，只上报真正的问题。
这套体系的核心思路很清晰：让AI在不同环节各司其职，而不是把所有希望押在一次Review上。
知识不随人走，AI把经验沉淀进组织
传统模式下，新人入职面临“知识无法继承”的困境：研发文档不全、代码量过大读取周期长、历史经验只存在于老员工脑子里。蔚来先用AI的上下文理解能力，把代码、文档、历史问题串联起来，自动生成项目入门Wiki，帮新人快速建立认知。
同时，开发过程中新产生的问题、架构变更、踩坑经验，都由AI实时总结、迭代进知识库。研发人员通过自然语言交互，就能调取项目知识和前人经验，形成知识闭环。这一实践的价值在于：经验不再随人员流动而流失，每一次开发都在为下一次开发积累经验。
AI未必比专家更聪明，但能调取比专家更大的代码上下文和更全的历史经验。许多Bug并非新问题，而是前人踩过的坑。蔚来将代码上下文、Bug日志、评论及历史解决方案一并喂给AI，辅助分析并定位复杂问题。据了解，团队内部多个长期悬而未决的问题，就是由此得到解决的。
两个真实案例：效率翻倍不是口号
TRAE目前已覆盖蔚来智能系统、车载互联等核心研发场景，支持IDE/CLI/Work多种使用形态。两个一线研发人员的实际使用情况，能更直观地说明问题。
某车载互联研发团队的张同学，已把TRAE作为日常主力IDE使用，Token用量从基础配额追加到1.5亿。他深度认可TRAE内置的SOLO模式和实时跟随功能，加上桌面端良好的交互体感，日常开发效率提升明显。同时他也是活跃的反馈者，多次提出具体问题帮助产品团队快速定位和修复体验问题。
智能系统研发团队的曾同学，是某智能交互系统工具的核心开发者。他先用TRAE生成架构说明文档，再让TRAE读取模块设计规范、基于规范输出核心控制模块代码，最后用TRAE生成测试代码并沉淀成可复用的Skill。原本预估1个月的开发任务，实际只用了2周就完成，效率提升了一倍。
从个人效率到组织智能，AI正在重写软件工程协作方式
蔚来设想的远不止于AI辅助编码，而是一个层层递进的“AI开发生态体系”——Knowledge层沉淀知识，Skill层封装技能，WorkFlow层串联流程，Agent层集成闭环。Agent会成为新的基本单元，人类只需定义意图，并编排匹配的Agent，通过持续进化的能力网络，实现人与AI协作共同完成软件交付。
这一演进的本质，是从个人效率走向组织智能。过去，经验属于个人——新人培养周期长、专家资源短缺、知识不断流失。如今，让AI参与到研发的每个流程，这些经验将属于组织，让组织能力能够持续积累、持续复用、持续放大。
AI早已不只是效率工具，它正在重新定义软件工程的协作方式。火山引擎将继续与蔚来汽车探索智能研发的新范式，让AI在真实工程场景中释放更稳定、更可持续的价值。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
