从“氛围编程”到“效能编程”，来自一线研发团队的企业最佳实践

最近两年，我们会在各种场合反复听到一句话：AI Coding 是生成式 AI 浪潮下最好的商业化赛道之一。

显然，很多企业把这句话听进去了。根据调研，全球有超过 300 家初创企业推出了面向 AI Coding 方向的创新产品，其中 30% 以上的初创企业成立于 2023 年之后。我们大致可以将其分为三类产品：一类是面向专业程序员和开发者的效率工具，典型代表是 Qoder；另一类是为泛开发者提供快速原型验证的产品，帮助用户快速验证创意，比如 Bolt.new；第三类则是希望打造数字员工的方案，如 Devin。

然而，一旦企业开始认真思考并选型的时候就会发现：要么是复杂任务越做越乱；要么是 AI 写的代码占 30%，调试修改占了 70% 的时间；要么是体感上提效了，但团队整体交付反而因为测试、部署等成本上升而变缓。好不容易找到个靠谱的工具，还得担心安全问题，不敢大规模用。那么，一款真正能在企业内落地且提效，不仅满足老板的期望，也能让专业开发者尽情 Vibe 的 Coding 工具应该具备哪些特征？

都是 Agent，如何选合适的 Coding 工具呢

在讨论特征之前，我们首先确信这一定是 Agent 的形态。

毕竟，全世界都在忙着搞 Agent，AI Coding 领域也是如此。

基于 Agent 的模式，通过开发者与之进行对话来完成编程任务已经成为 AI Coding 的标配，这种路线选择确实有其依据：Anthropic Barry 曾表示 Agent 最适合的场景是那些既负责又有价值，有技术可行性且失败后的风险较低或监控成本不高的任务，编程场景完全符合这个特征。

但是，一个真正高效的 Coding Agent 需要在设计理念、产品交互、技术架构与安全策略等多个层面进行深度打磨。

首先，人机协作是核心。虽然大模型的能力正在迅速增强，但在处理复杂的编码任务时，全自动的方式仍然存在局限。因此，这类工具强调人与 AI 的分工协同，让人类能够随时观察并干预 Agent 的行为，同时 Agent 也能感知用户的操作。这样的互动不仅提升了任务执行的可靠性，也确保了开发过程的灵活性。

其次，在产品交互层面，其设计理念遵循“保持简单”的原则。Coding Agent 不应该是冷冰冰的工具，而是一个拥有“大脑、记忆和四肢”的智能体。通过对话式交互取代繁琐的流程和按钮，让开发者能够以最低的理解成本使用，并在需要时轻松扩展其功能。

阿里云智能集团通义灵码技术负责人 张玉明

然后，Coding Agent 应具备自主学习和长期记忆的能力。它能通过用户行为总结画像，将成功的经验应用到后续任务中，使智能体越来越理解开发者的需求。同时，通过引入短期和长期记忆机制，Agent 能够在有限上下文的条件下保持对历史任务的感知与调用，避免信息丢失，并逐步形成对开发者偏好的深度理解。

最后，Coding Agent 应该完全由模型驱动，尽量减少工作流式的解决方案，基于模型的自主规划、反思迭代、工具调用等能力来打造 ReAct 模式的编程智能体。

通义灵码的研发过程恰恰体现了这些原则，并在实践中不断优化。根据阿里云智能集团通义灵码技术负责人张玉明在云栖大会《企业智能化研发升级与最佳实践》专场的分享，在调研学习了业界主流的 Agent 框架之后，通义灵码团队自主实现了其 Coding Agent 的框架，整体分为三个部分：Core 层主要包含 Graph、Memory、Tool 等核心模块。其中，Graph 负责 Agent 和工作流编排，Memory 负责处理长、短期记忆，Tool 负责模型的工具定义和调用；Extension 层支持灵活实现多智能体和外部扩展；Manager 层则负责 Agent 的注册管理、会话管理及 Aegent 框架与外部系统交互的接口。这种分层设计既保障了系统的稳定性，也提升了扩展性。在工程感知方面，通义灵码通过对代码库进行本地索引和扫描，建立语义与结构化的关系，使得大模型能够更快、更准确地理解和生成匹配需求的代码。

总体而言，通义灵码的建设路径展示了 AI Coding Agent 的未来方向：以人机协作为基础，以简洁交互降低门槛，以自主学习和长期记忆增强智能，以安全和评测保证落地效果。它不仅是一个高效的编程助手，更是企业和开发者值得信赖的长期伙伴。

告别无效 Vibe，通义灵码在企业落地的真实数据

阿里的研发体系是完善且强大的，所以一款创新工具在阿里内部总能快速落地并拿到结果。但是，当我们面对的是全球化的研发体系协同，历史债务繁重的、复杂的技术体系，内部运维和开发工作量极大的体系，或者是刚刚经历了数字化转型并取得初步成果的企业、AI 驱动的创新型企业、行业发生了全面变革的企业等，这些是否都可以在部署通义灵码后达到有效 Vibe。

具备全球化研发体系的企业，适合部署吗？

一家旗下拥有 5 家上市公司，10 万余名员工，研发体系全球化协同的集团企业落地部署通义灵码之后的效果如何？

这家企业是海信集团。海信集团 AI 技术中心 AI 应用开发负责人曲栋表示，海信集团最初和多数企业一样在软件研发层面面临着技术债务多、开发门槛高、人员精力被低效重复劳动占用等痛点。开发者难以集中精力在高价值场景，管理层则面临团队技术栈割裂、管理成本高的问题。海信集团在 2023 年便率先尝试 AI 辅助编码，但基于安全、网络、响应速度等种种问题一直没有找到合适的工具。在经历了长时间 POC 测试之后，海信集团最终在去年选择部署通义灵码，仅用一周时间完成部署，一个月内便推广至全球研发体系，并成立专项项目组推动落地。

海信集团 AI 技术中心 AI 应用开发负责人 曲栋

目前，海信集团已形成覆盖 2000 多人的运营群，工具使用进入稳定阶段。最终数据显示，海信集团的开发人员中日均活跃用户占比 78%，代码生成占比约 48%，代码采纳率超过 30%，整体提效成果远超预期。

在选型过程中，海信集团对市面主流 AI 编码工具进行了全面评测。除了关注代码生成质量，更重视成本与安全，尤其是云桌面环境下如何防止代码泄露。考虑到涉及十余个研发单位，推广成本也是重要考量。最终通过涵盖 10 个维度的评估模型，通义灵码综合得分最高。在部署方案上，经过论证，海信集团选择了阿里云企业专属版。该方案在阿里云北京区域开设了专属 VPC，独享推理服务和存储资源，并通过云企业网实现了阿里云青岛与北京的跨域互联，同时在青岛铺设物理专线，确保数据传输安全可靠。海信集团还自建安全网关，实现敏感信息拦截和内网 IP 转换，全面满足云桌面环境下的安全要求。

在具体应用中，海信集团围绕研发流程重点环节推进智能体建设。在概念阶段，研发了需求评审和需求解析智能体，实现了需求文档的自动拆分与规范化评审；在计划阶段，上线了设计文档生成、规格书生成、项目管理等智能体，助力各岗位提升工作效率；在开发与测试阶段，广泛应用代码评审、测试用例生成、缺陷自动分析等智能体，帮助开发和测试人员高效完成相关工作。实际案例中，代码评审智能体结合通义灵码知识库，可上传内部编码规范和代码示例，为代码审核提供参考。海信集团将通义灵码代码审核 API 直接集成到 Gitlab 中，研发人员提交 Merge Request 时自动触发 AI 代码评审，并给出评审意见。目前已接入 100+ 代码仓，根据试运行效果调研分析，AI 代码评审能够快速识别出部分潜在代码质量问题，如代码异味、安全漏洞和风格不一致等，提升了团队在 Code Review 中问题发现的效率，尤其在辅助新人规避常见错误方面表现突出。缺陷自动分析智能体通过日志与历史经验实现缺陷自动分配，准确率超过 80%，平均修复周期缩短 10% 以上。测试用例生成智能体基于需求文档和知识库自动生成用例并支持导出 Excel，目前已覆盖 10 余个研发单位，采纳率超过 30%，效率提升 50% 以上。

技术体系复杂且对安全要求极高，可以吗？

一家所处行业在近两年发生较大变化，组织、研发和商业模式进行了全面变革的大型代表性企业又有哪些反馈？

这家企业是吉利汽车。在“软件定义汽车”的背景下，汽车从过去的机械产品转向数字化平台，带来了组织、研发和商业模式的全面变革。软硬件解耦、功能持续交付、数据闭环驱动以及订阅化的商业模式，正在深刻改变汽车产业。对于车企而言，这意味着技术链重塑、研发流程重构以及组织和人才结构的全面转型。软件开发的成本与比例持续上升，用户需求从性能转向体验，集中化架构与车路协同等技术也在不断推动这一转变。

吉利汽车数智中心研发 AI 产品专家 阮航

吉利汽车数智中心研发 AI 产品专家阮航提到吉利汽车在调研中发现六大研发痛点：复杂多层的研发体系、工具链割裂、对功能与信息安全的高标准要求、代码复用困难、调试环节耗时过长，以及需求变更带来的链路级影响。这些问题直接制约了研发效率。

为此，吉利汽车在需求、设计、质量保证和编码等环节全面引入 AI，尤其在编码阶段通过通义灵码实现代码分析、智能问答、文件编辑和自动化评审，大幅提升了效率。以一个内部项目为例，10 天的编码周期通过通义灵码缩短为 7 天，整体研发效率提升超过 10%，这 7 天内完成了代码编写、注释补全、单元测试、代码优化等全部与编程相关的工作。

内部运维和开发工作量极其繁重，能解决吗？

作为一家拥有 32 家省级分公司、2900 余家分支机构、38000 余名员工的大型企业，公司软件系统复杂庞大，这种情况适合引入通义灵码吗？

这家企业是中华财险。中华财险成立于 1986 年，是唯一一家以“中华”冠名的国有控股保险公司。作为一家拥有 32 家省级分公司、2900 余家分支机构、9000+ 的保险产品、38000 余名员工的大型企业，公司软件系统复杂庞大。自 2020 年起，中华财险推进数字化转型，重构烟囱式系统为中台化架构，并建设双云体系。当前公司同时维护 120 个项目、700 个微服务，每年发布次数超过 30 次，平均每次涉及 230 个以上微服务，运维和开发工作量极其繁重。

2024 年，AI 编码辅助工具逐渐成熟，公司把握住了这一机遇。为了减轻开发人员的负担、提升效率，架构团队对多家工具进行评估，最终选择了通义灵码，并通过 VPC 方式部署。中华财险是较早落地通义灵码的企业，已积累了丰富实践。中华联合财产保险股份有限公司架构师吴杰提到，一个是建模实践，AI 能够在短时间内显著提升效率。实际测试显示，AI 可以在约十分钟内生成三四百行代码，而人工编写同样数量的代码往往需要一上午的时间。过程中仅出现过两次小问题：第一次是报错，第二次是图表未能展示。但总体而言，AI 在建模场景下已经能较好地发挥作用，让建模工程师能够把更多精力放在特征挖掘上，而不是重复性的代码编写，大幅提升了效率。

中华联合财产保险股份有限公司架构师 吴杰

另一个实践场景是应用开发。团队通过提前准备好材料，例如接口定义等，利用 AI 快速生成数据库 DDL 和实体类，实现了较高的准确率。在此基础上，DAO 层代码也能直接生成，Service 层则分两步先生成骨架再补充实现，Controller 部分则能结合页面信息自动生成基础 CRUD 逻辑和注释，必要时再由开发者微调。通过这种方式，代码骨架和常见逻辑能够快速完成，开发者只需在复杂业务逻辑上投入更多精力。配合合理的数据库规范和代码规范，这一过程在整体上大大节省了时间，尤其在接口数量和页面元素较多的场景下，能够显著提高开发效率。

根据对过去一年的数据进行统计，中华财险代码生成占比已达到 41.26%，生成了 257 万行代码。公司虽未强制推广，但 600 个 license 的开通率已达 95%，代码生成占比也从最初的 28% 提升至 46%。按照人效测算，平均每百名开发者可提升约 6 人的生产力。如果加上设计阶段，效率提升会更显著。

AI 驱动的创新企业，适合吗？

一家由 AI 驱动的、以 Web3 赋能的能源科技企业，承担着极高的支撑压力，这种模式合适吗？

朗新科技是一家 AI 驱动、以 Web3 赋能的能源科技企业，业务涵盖新能源汽车聚合充电、电力市场化交易、虚拟电厂、零碳园区和光伏云等板块。由于业务覆盖广泛，公司研发承担着极高的支撑压力，并在不同事业群呈现出差异化的需求。大客户事业群要求极致安全与合规，家庭事业群要求在稳定合规的基础上实现高效率交付，而用户事业群则更注重响应的速度与灵活性。三类不同需求使得研发在安全标准、环境适配以及开发者个人习惯上面临巨大挑战。

朗新易视腾 AI 研发赋能负责人 陈琛

在工具选择上，传统研发工具难以覆盖多样化场景，AI 编程助手成为突破口。公司通过系统化流程展开选型，从需求收集、市场调研到统一评估，再到小范围试用和决策，最终选择了通义灵码作为统一推广工具，同时保留部分其他工具作为补充。在部署与落地过程中，根据事业群差异采取了三种模式：为安全要求极高的业务选择私有化部署；为需要全链路合规的业务采用企业专属版；为探索性较强的业务则提供标准版，并辅以培训和交流推动使用习惯养成。推广路径经历了培训、制定实践指南、团队示范和全员推广四个阶段。

实际应用效果表明，AI 工具在大型项目和封闭冲刺中显著减轻了开发压力。某 150 人团队在高强度项目中，代码生成占比达到 70%，智能问答、智能补全采纳率约 31%，显著高于日常水平。这种转变不仅改变了开发者的工作方式，也提升了整体研发效率。

在应用案例上，朗新易视腾 AI 研发赋能负责人陈琛重点分享了两方面的想法。其一是将通义灵码与自身设计工具结合，实现了业务分析与产品设计的融合，形成“设计即开发”的模式，简单页面和接口开发效率提升约 50%，复杂场景提升约 20%。其二是将通义灵码应用于 AI CodeReview 环节，通过自动生成的审核信息配合人工复核，有效提升代码质量与审核效率。

落地背后：Agent 还不够，一个能内化 Agent 能力的模型底座才是关键

如果今天，我们只是在聊 Coding Agent，那依旧会有一箩筐的产品出现在你的备选清单上。

毕竟，当全世界都在搞 Agent 的时候，你身边的同事可能都会跟你感叹一句：Agent 真简单。

我们不仅需要 Coding Agent，我们还需要一个能内化 Agent 能力的模型底座。

如果你有所了解，可能会问：这是 Coding LLM 吗？当然不是，这是通义灵码所打造的 Agentic Coding LLM。

通义实验室算法科学家 李永彬

Coding LLM 的训练方式通常是以预训练语言模型为基座，语料主要来源于 GitHub 上的海量静态代码文件，随后加入指定数据进行微调，最后结合偏好数据进行强化学习。这类模型在理解代码和生成补全方面表现出色，例如可以快速生成二分查找算法，或实时补全代码。但它们无法处理复杂任务，比如在给定完整仓库和 Bug 的情况下实现自动修复，因为训练数据都是静态文件，从未包含软件开发的动态过程。

那么，Agentic Coding LLM 是如何一步步演进以解决上述问题的呢？

过去几年，通义灵码的算法团队围绕如何构建这一模型付出了大量努力，并将工作分为三个阶段。通义实验室算法科学家李永彬在分享中表示，首先是从零到一的探索，当时业界和学术界都没有类似的先例，因此他们提出了“软工大模型”的概念，希望把软件工程的开发过程内化到模型中，这与如今的 Agentic LLM 理念相似。其次是在模型中引入思考能力，并推动测试时扩展（Test-Time Scaling）。最后一个阶段则是借鉴 DeepSeek-R1 和 OpenAI O1 等成果，采用强化学习并进行混合策略的优化。

模型能否具备某种能力取决于所提供的数据。既然静态数据不行，那么从哪获取新的数据呢？

软件工程领域虽然长期高度数字化，但开发过程却未被记录。因此，要让模型学会开发流程，必须合成相应的过程数据。自 2024 年中期开始，通义灵码团队从 GitHub 抓取代码仓库及 PR，获取问题与答案的对应关系，再通过智能体模拟工程师的工作过程，记录从问题到解决的全过程，生成合成数据。第一代灵码 Agent 的流程分为仓库理解、缺陷定位和代码生成三个阶段：智能体先检索相关文件，再缩小范围至具体类或函数，并生成解决方案计划。随后通过工具定位具体出错的行，如果结果有误，模型会反思并迭代修正，最后生成代码，并在必要时继续迭代，直到解决问题。整个过程被完整记录下来，成为训练数据。借助这些数据，团队提出的 Lingma SWE-GPT 72B 在 SWE-bench Verified 基准测试中首次即解决了超过 30% 的问题，这一成果相关论文已经发表并获得 ISSTA2025 杰出论文奖，该协会评审认为 SWE-GPT 的方法新颖，首次以软件开发流程为核心记录数据，推动了该领域的进步。

在第一代模型基础上，团队进一步探索了 Test-Time Scaling。内部扩展通过将思考链路延长，使模型能根据问题难度自动调整思考时间；外部扩展则通过多次推理生成候选结果，再利用过程奖励机制筛选最佳路径。实验表明，内外结合后，32B 模型的解决率从 28% 提升到 46%，今年 3 月就已经接近 OpenAI 模型的效果。

第三个阶段是强化学习。传统 GRPO 方法的思路是通过采样 128 种解法，只要其中一种正确，就让模型强化学习该解法。然而这种方式容易导致路径依赖，忽略其它潜在解法，从而造成模型能力塌陷。对此，团队提出 RL-PLUS 方法，将外部知识引入强化学习，并解决了可能带来的“学崩溃”或“无法识别最佳学习点”的问题。通过多重重要性采样机制，模型能够按照自身能力选择学习比例；通过高熵加权优势函数，模型能够重点学习难以理解的部分，从而提升学习效率。实验结果表明，该方法在六个全球公认数学基准上的平均分从 45.5 分提升到 53.4 分，显著优于传统 GRPO。

在上述底座的加持下，通义灵码不仅内置了 20 余种工具供 Coding Agent 调用，还采用了基于 Function calling 的标准化方案，并通过大小模型搭配的架构方案，采用投机采样进行推理加速，大幅提升了代码生成的速度与精度。在输出大文件时，其代码全文输出的平均速度提升到了 1000 tokens/ 秒，对比之前提升了十倍以上。

在安全层面，通义灵码将“安全基因”内嵌到产品之中。从数据安全到模型训练，再到与阿里云安全团队、算法团队的协作，确保生成代码的可靠性和可控性。作为企业级产品，它不仅提供专属 VPC 的实地部署方案，还在模型层面引入了安全的编码语料，让代码生成更具保障。张玉明表示：“我们相信让生成的代码自带安全基因是作为一款负责任的 AI 智能工具应该提供的能力”。

在评测体系上，通义灵码构建了涵盖模型、技术支撑和场景的多层级测评框架。通过线下评测、自动化体系与线上 AB 测试相结合的方法，持续验证和提升 Coding Agent 的表现。这不仅确保了产品的稳健性，也为不同编程语言、工程场景和用户群体提供了针对性的优化。

在最新的 2.6 版本中，通义灵码对 IDE 进行了全面升级，并正式面向全网开启公测。新版本不仅引入了原生 AI IDE 的功能，还针对 Edit 区、Terminal 区、Chat 区进行了系统优化，使得整体性能更加出色，用户的使用体验也显著提升，更加流畅顺滑。产品模式上也做出了重要调整，传统的文件编辑模式被取消，取而代之的是大幅增强的 Coding Agent 模式。这一转变的背后有两个关键原因：一方面国产大模型的性能正在快速增强，另一方面上下文工程与各类功能细节的不断优化，使得智能体模式能够更好地发挥作用。

基于这些优化，通义灵码的 Coding Agent 已经具备了更高层次的自主性，且任务执行全透明。它不仅能够进行自主规划、合理拆解任务并生成待办事项，还能够在工具调用上展现出更强的能力。例如通过并行化调用工具，实现从需求到代码的端到端完成，大幅提升了整体效果、性能与稳定性。

大多数 AI Coding 工具在面对企业内部的复杂任务时会突然“降智”。为了解决这一挑战，通义灵码经历了多次演进，目前可对整个历史会话进行压缩总结，同时结合工程手段对具体关键信息技术提纯，从而做到当前比较好的记忆效果。当然也有借助于产品的手段，比如引导用户新开会话窗口来提升短期记忆的效果。除了短期记忆，通义灵码也提供长期记忆能力，用户每次开启新一轮对话的时候，其都会经历记忆召回、记忆评估、记忆使用、记忆创建和记忆巩固来增强通义灵码与用户交互的体验。针对不用的记忆，其也会依据艾宾浩斯遗忘曲线进行遗忘。

模型研发是起点，能够应用好才会真正有效果。当我们直接使用模型时，往往面临上下文丢失、干扰和污染等问题。当背景信息过多时，模型会截断超出的部分；当上下文中混入不相关信息，输出结果会被误导；当背景信息不完整，模型则容易产生偏差，这些问题限制了 AI 在复杂项目中的稳定性和效率。

为了应对这些挑战，阿里云智能集团数据库产品事业部高级技术专家蒲松洋提到其团队在实践中构建了两类循环：外循环（Outer Loop）和内循环（Inner Loop）。外循环的核心是让 AI 系统性地理解代码仓库和业务背景。最有效的方式是建立高质量的项目文档，通常用 Markdown 编写，并随着代码的迭代进行热更新。这些文档会被 AI 定期读取和向量化，形成“Memory Bank”，帮助模型快速理解工程背景。我们还会记录 AI 在使用过程中的错误，让它避免重复犯错，同时制定团队规范和工具选型，避免上下文被不必要的信息污染。

阿里云智能集团数据库产品事业部高级技术专家 蒲松洋

内循环则专注于单个任务的执行。当需求信息不足时，开发者需要主动补充背景，并明确告诉 AI 需要修改哪些文件或模块，从而缩小搜索范围、提高准确度。团队还应建立标准化的工作流，让 AI 能在重复性任务中持续发挥作用。每次完成重大变更后，还要将这些更新同步回外循环，保持整体知识的持续演进。随着外循环和内循环的建设成熟，团队可以放心地让 AI 执行更长周期、复杂度更高的开发任务，例如自动生成单元测试、端到端测试脚本，甚至实现较大规模的代码重构。

为了更好地管理 AI 的能力边界，团队还建立了复杂度分级体系。需求被分为 C1 到 C5 五个等级，C1 表示 AI 可完全自主完成，C2 需要一定上下文支持，C3 以上则较为复杂，需要人工干预。通过外循环和内循环的完善，通义灵码团队已能让 AI 高效完成大量 C1、C2 级别需求。目前其团队内部外包同学的代码采纳率已从最初的 18% 提升至 60% 以上。

未来展望

在金融行业，通义灵码服务了 90% 的上市商业银行。如工商银行、建设银行、平安集团等。在汽车行业，通义灵码服务了超过 70% 的中国车企，如中国一汽、吉利、小鹏、极氪等，并在持续拓展宝马等全球型车企。

面向未来，通义灵码在产品层面将会持续演进。团队计划在 IDE 中结合用户的本地工程代码，自动生成结构化的工程文档，从而以显性化的方式呈现项目的架构决策与技术债务，帮助开发者更快理解新项目。在此基础上，通义灵码还将探索规格驱动与任务委派的场景，使 AI 从过去仅能处理分钟级任务，逐步拓展到小时甚至数天级的复杂任务。这个过程中，AI 将先行生成便于人类阅读和模型理解的设计文档，开发者只需审阅和调整，再由 AI 制定开发计划并交由背后的智能体异步执行。与此同时，跨仓库的全局代码感知与多层次的代码知识图谱也将成为重点，帮助企业应对规模庞大、存量巨大的代码仓库。在开放性与扩展性方面，通义灵码将深化 MCP 协议，探索 A2A 协议，并赋予企业开发者自定义 MCP 工具与提示词的能力，使其能够构建个性化智能体，从而显著提升针对企业私有数据和私有场景的 AI 辅助效果。

毫无疑问，Agentic LLM 的发展与应用场景的拓展将重塑研发流程。未来，AI 完成 80% 需求已成业界共识，而 IDE、终端与浏览器也会趋于融合，形成统一的研发入口，推动体系一体化与优化。云端异步执行将成为主流，开发者能够一次性提交大量任务，由沙盒环境并行处理，最后统一验证成果。与此同时，研发范式将逐步从“人主导、AI 辅助”过渡为“AI 主导、人把关”。尽管短期内 AI 仍无法独立承担交付结果的责任，但随着上下文管理与验证闭环的不断完善，程序员将逐渐从具体的编码劳动中解放出来，更专注于质量把控与策略制定。在这样的趋势下，通义灵码希望成为帮助开发者驾驭 AI 的核心武器，帮助每一位开发者成为真正具备广阔横向能力和深度纵向掌控力的“T 型”人才。