AI 写代码的速度至少是人的 10 倍。90% 的代码由 AI 产出之后理论上效率提升应该是数倍甚至一个数量级。10 倍和 1.6 倍之间消失的那部分才是 AI Coding 落地的真实成本区。一、一个刺眼的数字10 倍生成速度1.6 倍交付效率某头部互联网大厂披露的一组数据过去一年其 AI 代码贡献率增长超 6 倍AI Coding 的 tokens 消耗增长 5 倍AI 代码合入率增长超 2 倍。单看任何一项都足以写进年度喜报。但另一组数据才是真正值得行业停下来思考的其内部最激进的 AI Coding 团队本身就是做 AI Coding 工具的团队过去半年超过 90% 的代码由 AI 生成而人均需求吞吐率只提升了 60%即 1.6 倍。AI 写代码的速度至少是人的 10 倍。90% 的代码由 AI 产出之后理论上效率提升应该是数倍甚至一个数量级。10 倍和 1.6 倍之间消失的那部分才是 AI Coding 落地的真实成本区。这直接引出第一个判断AI 代码贡献率是一个容易失真的虚荣指标。当团队把它定为 KPI 并围绕它优化时优化动作会滑向多用 AI、多生成代码而不是全局交付效率是否真的提升。数字快速上涨时人很容易自我感觉良好但代码生成量的膨胀与交付效率之间从来不是线性关系。二、900 次实验正确率及格了工程交付全军覆没为了量化 Vibe Coding 的真实水位该团队做了一个在公开分享中相当罕见的实验选取 3 个主流 Coding 模型 × 3 个主流 Agent 框架两两组合成 9 组针对一个中等复杂度的真实业务需求C 端产品的创作页视频预览与调整功能用相同 Prompt 各跑 100 次共 900 次。结果分两层看功能满足度层面9 组组合正确率全部超过 80%。如果评测到此为止结论是Vibe Coding 已经可用。可交付性层面画风急转直下。UI/交互易用、可靠性、可维护性、兼容性、性能效率五个工程维度得分普遍跌到 40~60 分的不及格区间且表现出极强的随机性异常处理不规范、不复用仓库已有组件、改动击穿历史功能、实现方式偏离团队工程规范。这个实验的价值在于它用数据说清了一个行业心照不宣的事实功能跑通和达到上线标准之间隔着一整套软件工程。企业需要的不是能跑的 Demo而是长期稳定、可维护、可演进的系统。Vibe Coding 让你感觉快了但感觉快不等于真的快补坑的时间往往被忽略在体感之外。三、Harness可交付性的最后一公里这是最值得关注的部分也是与当前行业讨论最错位的地方。2026 年谈 Harness多数人的注意力还在 Agent 框架和工具调用能力上。但一线实践指向另一个结论真正决定 AI 能不能落地的是更基础、更工程化的基建问题。这套基建可以拆成三件事搭环境、说意图、建闭环上下文工程Agent 怎么知道该做什么L0–L4 五层渐进式披露的文档体系路由/架构/模块/参考文档/操作手册/Skill加上 ExecPlan 执行计划设计文档、施工蓝图、进度日志、决策记录边干边更新的活文档。架构约束Agent 怎么不出错确定性 Hook 测试分层防御L0 文件卫生 → L1 语言质量 → L2 AI 专属防御覆盖率门禁与录制回放DDD 分层、IDL 驱动、前端边界本地可运行 秒级反馈。垃圾回收Harness 怎么不腐化技术债扫描与文档新鲜度巡检机械 语义双维度定期自动修复Push 前自动检查、完成即归档、周期性清理。把这套基建接入之前的实验后同一批模型 框架组合的结果发生了质变正确率从 80% 提升到接近 90%而可交付性从 40~60 分的不及格线整体跃升到 80 分的可交付区。注意这个对比的含义模型没变框架没变Prompt 没变唯一改变的是 Harness 基建。更严格的约束换来更多的自治能力最终换来更高的可交付性。这条因果链是对换更强的模型就能解决问题这种线性思维的直接反驳。四、当人人都是程序员协作关系的重构AI 把代码生产能力普及给了所有人协作问题随之而来。一个真实案例一位产品同学用 Vibe Coding 自己做出了需求页面能看、流程能跑然后不解为什么研发还要排期几天为什么不能直接给我仓库权限自己上线研发的评审结果是能跑但性能不达标、扩展性没考虑、存在权限安全问题。这个案例的两面都要承认一面非工程角色把想法直接变成可交互的原型沟通更直接、验证更快这是真实的价值不能一刀切地禁止另一面代码生成门槛的下降不等于系统复杂度的下降。真实业务系统里代码要嵌入既有架构、与存量模块协同、通过安全与性能的考验。所以出路不是谁写谁上线也不是非工程师的代码一概不用而是建立统一的架构、规范和交付流程让更多角色的产出汇入同一条工程河道这正是治理Governance要解决的问题。五、三条落地路径围绕指标、治理、协作三个命题一线团队的实践沉淀出三个方向原型驱动开发替代文档驱动开发。 过去 PRD → 设计稿 → 技术方案 → 代码的链式流程问题在文档阶段读起来都合理做出来分歧才暴露。AI 把产品原型的制作成本打到极低静态文档变成动态的、可交互的、与真实场景高度拟合的东西所有人围着原型讨论和体验。连设计环节都在被重估过去前端同学要花 60% 时间做视觉还原未来设计师可以直接产出带代码的高保真原型。系统化 AI Development让 AI 进入全流程而不是只写代码。 实践中常见的断层是Coding 环节用 AI其余环节还是传统流程、人工介入。解法是让 AI 基于 Context 编写 Spec功能实现后通过 Browser Use 能力自动打开浏览器验证正确性、自动 Bugfix确认无误后自动提交并发布上线。齿轮要嵌合AI 必须钻进研发流程的每一道齿缝。组织化建设从个体超能力到团队基础设施。 早期 AI Coding 的红利集中在少数会写 Prompt、懂上下文管理、会拆任务、会验证结果的高水平个体身上。组织要做的是把这些个体实践沉淀为标准、工具和技能最好的方式是产品化把能力沉淀进工具里开放给全员共创。该大厂的 AI Coding 工具过去一年日均 Token 消耗达 5.6 万亿同比增长 50 倍用户结构也在泛化越来越多非技术背景用户用它完成日常工作泛办公场景的企业版能力也随之推出。六、结语瓶颈已经转移这场实践复盘最值得记住的是一个行业级的信号AI Coding 的瓶颈已经从模型能不能生成代码转移到工程体系能不能接住生成的代码。代码贡献率、采纳率、生成量这些第一代指标正在失效正确率之外的可交付性五维易用、可靠、可维护、兼容、性能才是第二代度量体系的起点而支撑这一切的 Harness 基建上下文工程、架构约束、垃圾回收正在成为企业 AI Coding 的分水岭。模型能力会继续趋同框架会不断换代但工程基建的厚度决定了 AI 生产力兑现的成色。对所有正在落地 AI Coding 的团队来说真正的命题不是用不用 AI而是你的 Harness准备好了吗