Claude Code 约 90% 代码由 AI 生成，从 Anthropic 到腾讯、百度、阿里、小红书、滴滴……软件工程正在被重新设计

责编 | 梦依丹

出品 | CSDN（ID：CSDNnews）

Claude Code 团队成员 Addy Osmani 最近在一篇关于 Code Review 的文章中分享 Anthropic 内部正在发生的一个变化：Claude Code 团队约 90% 的代码已经由 AI 生成。

从今年 6 月到 9 月，Claude Code 代码库合并的 PR 数量翻了一倍以上，但回滚比例反而下降了 40% 以上。在更大的 Anthropic monorepo 中，每天落地的代码变更，也从 5 月约 2500 次增长到 9 月超过 3 万次。

真正值得关注的是软件工程的瓶颈正在随之迁移：从写代码，转向测试、验证、评测、风险判断和质量控制。测试、CI/CD、安全检查、分级审批、Feature Flag、灰度发布、回滚这些机制并没有消失，只是流水线上谁来完成每一步正在被重新分配。

90% 代码由 AI 写，Claude Code 怎么做 Review？

Claude Code 团队并没有试图用更多人工 Reviewer 去追赶 Agent 的代码产量，而是把 Review 拆成了多层验证。

在 PR 创建之前，Claude 会先运行测试、构建、Lint 等检查并提供结果。随后还会让一个拥有新鲜上下文的子 Agent 重新检查代码 Diff。进入 PR 流程后，代码还会经过 CI、AI Code Review 和独立的安全审查。其中 AI Reviewer 并不是简单让一个模型看一遍代码，而是让多个 Agent 并行寻找潜在 Bug，再对发现的问题进行交叉验证，尽量过滤低价值或错误告警。

人工审批也没有完全消失，而是开始按照风险分配。文档修改或被 Feature Flag 隔离的低风险变化，可以减少人工干预。普通产品代码、缓存、System Prompt 等敏感区域需要更严格审批，最高风险变更则需要更多人工确认。代码合并之后，还有 Merge Queue、渐进式发布、Feature Flag 和快速回滚等机制继续兜底。

因此，Claude Code 团队真正优化的指标并不是“有没有一个人读过每一行代码”，而是这个改动可能在哪里出错？哪一道检查最适合发现它？

这其实是一个很大的思维转变。

流程没消失，变化的是“谁来做”

仔细看 Anthropic 的这套方法，会有一种很熟悉的感觉。

测试、CI/CD、安全审查、分级审批、灰度发布、Feature Flag、Rollback……这些并不是 AI 出现以后才诞生的软件工程方法。过去大型互联网公司的研发体系里，很多机制早已存在。

真正改变的是流水线上的每一步，开始重新分配给人和 Agent。

过去 CI/CD 更多按照事先写好的规则机械执行。现在，Agent 开始具备理解任务、检查代码、调用工具、分析测试结果甚至修改代码的能力。一个 Agent 写代码，另一个 Agent Review，测试系统给出确定性反馈，Security Agent 检查风险，最后只有真正需要判断力的部分才升级给人。

这也意味着，人的角色并没有因为 Agent 进入研发流程而消失，而是开始向更高一层移动。工程师需要更多地回答这件事该不该做？架构边界应该怎么划？哪些风险不可接受？哪些改动必须人工审批？出了问题谁负责？

代码可以交给 Agent 检查，但意图、判断和责任仍然属于人。

AI 写得越多，Harness 反而越重要

这也是为什么最近一年，AI Coding 领域越来越频繁地出现一个关键词：Harness Engineering。

Claude Code 团队公开的 Code Review 方法，本质上就是一个很典型的 Harness 问题：它并没有把可靠性寄托在模型“更聪明”上，而是用测试、Review Agent、安全检查、风险分级、发布和回滚等机制，把 Agent 放进一套能够约束、验证并纠错的工程系统里。

但 Harness 仍然不是终点。

当系统能够验证一次任务是否完成之后，新的问题又会出现。这些测试结果、Review 结果、用户反馈和失败轨迹，能不能重新进入下一轮任务，让 Agent 自动调整、重新执行，并持续提高完成质量？

这就开始从 Harness 走向 Loop。

任务进入系统，Agent 执行，测试和评测给出反馈，系统重新规划，再执行、再验证，直到满足既定目标。软件研发开始从人不断 Prompt AI 走向人设计一套能够持续驱动 AI 工作的系统。

因此，AI Coding 的工程重点也正在发生迁移：

Prompt Engineering → Context Engineering → Harness Engineering → Loop Engineering

而这条技术路线背后真正变化的，是整个软件生产方式。

中国一线研发团队正在把 AI Coding 推向真实生产环境

11 月 20—21 日，由 CSDN 与奇点智能研究院联合举办的 2026 奇点智能技术大会将在北京万达文华酒店举行。大会特别设置「AI 原生软件研发：从 Harness 到 Loop」专题，邀请腾讯 CodeBuddy & WorkBuddy、小红书、百度 Comate、Qoder、滴滴 ABC AI Coding 等正在真实研发环境中推进 AI Coding 的团队，从个人提效、企业级任务、仓库级 Agent、Feedback Loop 到大规模生产环境，讨论 AI Coding 进入深水区之后真正遇到的一线工程问题。

AI 工具进入企业之后，难题才真正开始

腾讯 CodeBuddy & WorkBuddy 模型研发高级研究员陈秋远将带来《从个人提效到团队提效：Agentic 研发提效实践》。当 AI 开始进入 研发全过程之后，个人编码效率已经不能完整描述 AI Coding 的价值，如何从个体工具升级为团队级研发能力，会成为更现实的衡量标准。

小红书 PE Infra 团队负责人孙哲将分享《AI 工具落地企业级任务中的挑战与实践》，从个人开发场景走向企业级任务，Agent 面对的已经不只是能不能写，而是能不能在复杂约束下稳定完成任务。

北京航空航天大学计算机学院副教授杨健则将从技术演进角度，讨论《从代码大模型到仓库级智能体：核心技术演进与工业级落地》。当 AI Coding 从单文件、单函数级生成进一步走向仓库级任务，模型不仅要理解代码本身，还要处理跨文件依赖、工程结构、任务上下文与测试反馈，并在真实软件工程环境中完成更长链路的自主执行。

孙哲与杨健的议题实际上指向同一个变化：Coding Agent 正从生成一个函数、一段代码，走向理解整个 Repository 和真实研发环境。

这时候，单纯提高模型 Coding Benchmark 已经不够。AI Coding 开始从一个模型能力问题，变成一个系统工程问题。

这也是百度 Comate 研发经理牛万鹏分享《构建 Coding Agent 的飞轮：Feedback Loop、Benchmark、Agent Engineers》最值得关注的地方。

Coding Agent 只有知道自己做得好不好才可能真正持续改进。谁能更快把失败任务、线上反馈和工程经验重新转化为 Agent 能力，谁就更有可能建立真正持续演进的研发飞轮。

AI Native 产品，能不能先“研发自己”？

Qoder 技术专家李唯聪带来的《构建高效的 AI Native 产品与组织：Qoder CLI 的研发自举与业务赋能》是一个非常有意思的议题。在 AI Coding 改变研发范式之际，一家 AI Native 开发工具团队，是否应该首先让 AI 改造自己的研发过程？

这种“研发自举”意味着 AI 不再只是产品里提供给用户的一项 Feature，而是开始参与产品自身的生产方式。

从这个角度看， AI Native 并不是原来的软件加一个 AI 按钮，而是整个组织开始重新思考： 什么工作适合交给 Agent，什么环节需要 Harness，哪些反馈能够进入 Loop，人的注意力又应该放在哪里。

真正的大规模生产环境，会把所有问题放大

滴滴专家工程师、ABC 技术 AI Coding 平台负责人金晶将带来《滴滴 ABC 技术 AI Coding 平台应对大规模生产环境的挑战与实践》。

当 Coding Agent 面对的不再是一个个人项目，而是大型企业长期演进的代码库、复杂业务和大量研发人员时，任何一个错误的影响半径都会被放大。模型效果、上下文、工具权限、稳定性、代码质量、成本、安全和组织协同，都必须一起考虑。

这也是为什么 Anthropic 的 Code Review 实践值得关注。

AI Coding 真正进入生产，并不是找到一个更强的模型就结束了，而是必须建设 围绕这个模型的一整套工程体系。

从 Loop Engineering 到 Graph Engineering

而当一个 Harness、一个 Loop 已经可以稳定运行，研发系统还会进一步复杂化。

腾讯高级后台开发工程师、项目组研发转型负责人任磊达将分享《AI 原生组织的工程实践：从 Loop Engineering 到 Graph Engineering》。

未来的 AI 原生研发，很可能不会只有一个 Agent 在一个简单循环里工作。多个 Agent、工具、任务、上下文和反馈节点会组成更复杂的协同网络。

到那时，工程师设计的对象可能已经不只是代码本身，而是 Agent 如何协作、状态如何流动、反馈怎样传递，以及整个智能研发系统如何持续运行。

这可能也是“软件工程”三个字正在发生的另一层变化。

Rust 与“ 黑灯软件工厂 ”，还会把这个问题继续往前推

奇点智能研究院首席技术咨询师张汉东将带来《Rust 与黑灯软件工厂》。

“黑灯工厂”原本来自制造业，即工厂高度自动化之后，不再需要为大量人工操作保留传统工作方式。

当这一概念进入软件研发，一个值得思考的问题是如果未来需求理解、编码、测试、Review、修复和交付越来越多由 Agent 完成，软件研发体系最终会变成什么样？

这个问题今天显然还没有标准答案。

回到 Claude Code 团队的实践。

他们真正做的并不是取消软件工程。恰恰相反。当 AI 写下更多代码以后，软件工程变得更加重要了。

从 Claude Code 的 Code Review 到 Harness Engineering，再到 Feedback Loop 和 AI Native 组织，这条路线正在逐渐清晰。而这，也正是「AI 原生软件研发：从 Harness 到 Loop」这个专题希望讨论的核心。

2026 奇点智能技术大会大会汇聚 70+ 技术嘉宾、18 大前沿专题、70+ 主题演讲、1000+ 行业技术人，从 RSI、Agent、AI Coding、世界模型、Physical AI，到 AI Infra 与企业级 AI，集中呈现 AI 从前沿能力到工程落地的关键进展。

与此同时，2026 奇点智能技术大会将与 C++ 及系统软件技术大会同期举行，这一次，我们把 AI 与系统软件两大技术脉络放到同一现场，一起看趋势、看实践、看落地。

目前大会的最新日程已新鲜出炉，一线技术专家与系统架构师齐聚现场。你既能深度追踪自进化 Agent、AI Coding 等前沿方向，也能理解大模型背后高性能系统、AI 底座的硬核支撑。

立即扫码查看完整日程、预约参会席位，和千名技术同行面对面交流。

我们期待与更多长期主义者一起，为 AI 时代留下可被验证、可被复用的工程经验。