在本次 “AI Coding” 专场演讲中，分享者围绕大模型推进下的软件开发变革展开了系统性的内容整理。随着 AI 编码行业进入爆发期，越来越多开发者在日常工作中采纳 AI 辅助工具，行业参与者数量与技术形态也快速扩展。从智能问答到 IDE 插件，再到多形态的智能体与原生 AI IDE，整个生态正在向更复杂的任务协同和更高质量的代码生成演进。

PPT 中重点展示了 AI 编码能力背后的核心技术，包括模型及数据工程、上下文工程与 Agent 工程。模型能力仍然是产品上限的基础，而高质量数据的生产、清洗、标注与评估构成了训练与优化的关键链路。通过代码解析、基于模型生成、结合人类反馈等方式构建训练数据，并配合 SFT、DPO 等机制进行持续优化，是提升质量的主要路径。同时，数据评估体系通过自动化维度分析、对比报告和多模型评分，帮助更系统地发现与定位问题。

在工程体系层面，PPT 强调了上下文的重要性。无论是检索式的 RAG、更加结构化的 GraphRAG，还是通过预生成构建代码库知识体系（如术语词典、代码库 Wiki），其目标都是让智能体能够更准确理解代码库并调用最合适的信息。此外，上下文推理模型用于提升检索质量与信息密度，减少幻觉和跑题情况，使生成结果更贴近用户意图。

演讲还介绍了 Agent 工程的实践。从单 Agent 到 SubAgent，以至于可定制化的 Agent，不同结构用于解决上下文窗口、任务复杂度、记忆污染等问题，并让开发者可以在特定场景下构建专业化能力，如 Debug、UT 或 F2C（设计稿转代码）。在更广泛的研发流程中，智能体通过与工具链的整合，逐步融入需求管理、代码生成、扫描、测试与部署等工作环节，推动构建更加智能化的研发体系。

最后，PPT 指出当前行业对 AI 编码的态度正在从“轻量化体验”走向更严格的工程参与；AI 更像是一个放大器，放大组织的优势，也放大组织的瓶颈。随着场景进一步细分和工程体系持续成熟，AI 与工程师的协同将成为提升研发效能的关键方向。

详情可查看完整 PPT 内容：https://www.oschina.net/doc/526