【Coding生态】从代码托管到 AI 能力底座：与Coding一起共建 AI 研发生态

序过去代码托管平台解决的是一个问题如何管理代码。分支、提交、评审、合并、发布围绕代码的Git协作体系由此建立软件研发也因此变得更加规范、高效和可追溯。但未来开发者真正面对的问题正在发生变化如何理解代码如何利用代码如何让 AI 真正读懂代码、使用代码并参与到研发过程之中随着大模型能力持续提升软件研发正在进入新的阶段。代码仓库不应只是版本管理的终点而应成为 AI 理解业务、理解架构、理解系统的入口。与此同时集团内部已经涌现出大量研发效能相关的 AI 助手、研发智能体和自动化工具。但一个现实问题始终存在想做一个真正对研发有价值的AI 应用并不容易。开发者需要处理代码拉取、AST 解析、语义向量化、依赖关系分析、知识库构建、安全隔离、执行环境管理等大量底层能力。这些工作复杂、重复、成本高却并不直接创造业务价值。真正创造价值的从来不是重复建设基础设施而是在统一能力之上持续创新。因此Coding 下一阶段的核心目标是构建基于 Coding-AI 基建的研发生态成为集团研发AI 能力的统一底座。让每一个开发者都能像调用 API 一样使用代码知识。让每一个Agent 都能像理解自然语言一样理解代码世界。让每一个AI 应用都能像接入云服务一样拥有独立的安全沙箱。1. Coding 的下一阶段从平台到生态过去Coding 提供的是平台能力未来Coding 要提供的是研发 AI 生态。因此Coding 不只是继续增强代码托管、协作和研发流程能力而是要将多年沉淀的代码数据、工程分析能力和研发知识资产封装为标准化、可复用、可编排的 AI 服务。这些服务既面向人也面向 Agent既支撑单点工具也支撑自动化工作流既服务单个研发场景也支撑集团研发体系的智能化升级。因此Coding 2026 的核心战略是将代码知识产品化。将研发能力服务化。将 AI 能力生态化。最终Coding 将和各位开发者共同建设围绕代码库开放 AI 生态体系一起提升集团研发效能。2. 三层建设AI基建-让 AI 真正理解代码这一层负责沉淀代码知识、工程关系和研发数据能力通过开放接口、MCP、图数据库、代码检索、仓库 Wiki、代码分析等能力让代码从“可存储”变成“可理解、可查询、可推理”的知识资产。让Remote Agent跑起来-代码Agent研发框架和沙箱运行时这一层面向研发 AI 应用开发者提供知识库、工具调用、LLM 管理、提示词管理、会话管理、Agent 运行环境和安全沙箱等能力让开发者无需关注底层Agent运行即可快速构建Agent应用。前端扩展点-让AI应用无缝集成这一层面向最终使用场景将用户的生态应用自然嵌入Coding 的各个前端页面中。通过标准化前端扩展机制AI 应用不再只是独立入口而可以直接出现在开发者工作的上下文里在最需要的地方提供理解、分析、建议和执行能力。2.1. 让 AI 真正理解代码-AI基建2.1.1. 开放接口与MCP统一能力入口自建设以来Coding 始终坚持开放共赢的产品理念持续面向企业内部研发系统开放代码托管、仓库管理、研发流程、工程数据等核心能力。随着 AI 应用和 Agent 场景不断增长Coding 在传统开放 API 的基础上进一步提供核心 MCP 接口让 AI 工具能够以更标准、更自然的方式接入 Coding 能力。2.1.2. 图数据库构建代码世界的关系网络图数据库用于承载代码世界中复杂的实体关系是 AI 理解代码结构的重要基础。代码知识的价值不只在于某一段代码写了什么更在于它和其他代码之间发生了什么关系。类、函数、变量、模块、接口等代码元素可以被抽象为节点调用、继承、依赖、引用、包含、参数传递等关系则构成节点之间的边。相比传统关系型数据库图数据库更适合表达代码中的多层关系和复杂路径。它能够让系统以接近代码真实结构的方式存储和查询代码知识从而支撑调用链追踪、依赖分析、影响范围评估和仓库级代码理解。基于代码图谱开发者和 AI Agent 可以快速定位某个代码元素分析它的上游调用、下游依赖、继承关系和使用范围让代码知识从“可存储”进一步走向“可理解、可查询、可推理”。应用场景中在调用链分析场景中开发者可以快速查看某个函数被谁调用、又调用了哪些函数帮助定位问题来源和影响路径。在代码变更影响评估场景中Agent 可以基于代码关系图判断一次修改可能影响哪些模块、接口或业务流程为代码评审和发布决策提供依据。在架构理解或代码重构场景中Agent可以通过图谱快速理解模块之间的依赖关系减少阅读大型仓库时的认知成本或基于依赖关系识别高耦合模块、核心节点和潜在风险点为重构建议提供结构化依据。2.1.3. 代码检索让 AI 精准定位关键代码代码检索是 AI 理解代码和执行研发任务的基础能力。面对大型代码仓库AI 不能只“读取代码”更要能够快速找到与问题、需求或业务意图最相关的代码位置。Coding 提供 CodeSearch 关键词检索和代码语义向量检索两类能力分别解决“已知关键词怎么找”和“不知道关键词但知道意图怎么找”的问题。CodeSearch关键词检索适用于明确知道类名、方法名、变量名、接口名或关键语法的场景支持精确词检索、正则检索并可按语言、文件类型等维度过滤帮助开发者和 AI Agent快速定位目标代码及上下文。代码语义向量检索则基于 Embedding 技术将自然语言问题和代码片段转化为向量表示通过语义相似度找到相关实现。开发者可以直接提问“用户登录校验逻辑在哪里”“订单状态是如何流转的”系统即可返回最可能相关的代码片段。关键词检索解决精准定位语义检索解决意图理解。二者结合让 AI 能够更接近人类开发者的方式理解代码仓库。应用场景中在代码问答场景中Agent 可以先通过检索找到相关代码再基于真实上下文回答问题减少凭空推测。在需求分析场景中开发者可以用自然语言描述业务功能快速找到已有实现、相关接口和潜在改动位置。在问题排查场景中系统可以根据报错信息、日志关键词或问题描述定位相关代码辅助开发者缩短排查路径。2.1.4. 仓库Wiki把代码变成团队知识仓库 Wiki 是基于代码库源码及相关数据自动生成的结构化知识文档并沉淀为团队知识资产。在 Coding-AI 基建中CodeWiki 可以理解为面向代码资产的知识中台。它通过 AI 能力对仓库目录、代码片段、接口信息、模块关系和架构信息进行整理与加工帮助开发者和 AI Agent 更快理解项目背景、业务逻辑、技术规范和系统结构。与传统手写文档不同仓库 Wiki 更贴近代码本身可以随代码资产持续演进。它不仅提供面向人的阅读入口也为 AI Agent 提供可检索、可引用、可关联源码位置的知识上下文。目前Wiki 主要提供自然语言查询、Wiki 目录查询、指定页面内容获取及关联代码索引等能力实现文档知识与源码位置之间的双向连接。通过 WikiCoding 可以将“代码资产”进一步升级为“团队知识资产”让代码仓库不再只是源码存放地而是成为团队知识沉淀、系统理解和 AI 辅助研发的重要入口。应用场景中在新人上手场景中开发者可以通过 Wiki 快速了解项目结构、核心模块、业务流程和关键接口。在研发问答场景中Agent 可以结合 Wiki 内容和关联代码片段回答问题让回答既有业务背景也有源码依据。在知识沉淀场景中团队可以将代码中隐含的架构设计、模块职责和业务规则自动沉淀下来减少知识只存在于个人经验中的问题。2.1.5. 代码分析让 AI 看见工程状态与研发风险代码分析是对代码仓库进行系统性工程化分析的能力如果说代码检索和图数据库帮助 AI 理解“代码在哪里、代码之间有什么关系”那么代码分析进一步帮助 AI 判断“代码状态是否健康、变更是否存在风险、工程是否需要治理”。在 Coding-AI 基建中代码分析可以作为 AI 决策的重要输入。通过对代码架构、代码健康度、软件成分、漏洞风险、复杂度和质量问题等进行分析使Agent 能够在代码评审、重构建议、影响范围评估和研发治理等场景中给出更可靠的判断。代码分析让代码仓库不再只是静态源码集合而是变成可评估、可治理、可决策的工程资产。AI 不只是读懂代码内容也能够理解工程状态、识别潜在风险并参与研发过程中的质量治理和智能决策。应用场景中在代码评审场景中Agent 可以结合代码分析结果识别高风险变更、复杂逻辑、潜在质量问题并给出更有依据的评审建议。在重构治理场景中系统可以发现复杂度过高、依赖混乱、重复代码或长期无人维护的模块辅助团队制定治理计划。在发布风险评估场景中AI 可以结合代码变更、依赖关系和质量指标判断本次发布可能带来的影响范围和风险等级。2.2. 让Remote Agent跑起来-代码Agent研发框架和沙箱运行时2.2.1. 基于 Coding 基建的Agent研发框架面向通用研发 AI 应用重点提供统一的数据、知识、工具和会话能力。开发者可以直接复用 Coding 的代码检索、图数据库、CodeWiki、代码分析等基础能力结合大模型、提示词和工具编排快速构建研发问答、代码理解、工程分析、知识助手等应用。它的价值在于将复杂的底层能力封装成稳定、标准、可复用的服务让 AI 应用开发从“从零搭建基础设施”转向“基于统一能力持续创新”。2.2.2. 基于JoyAgent 的快速对接可复用 JoyAgent 已经成熟的智能体、工作流和企业协同生态Coding 生态支持直接绑定 JoyAgent 智能体或工作流并接入京 Me 机器人、Max 智能助理等已有生态能力。基于 JoyAgent 的 AI 研发框架复用 JoyAgent 已经成熟的智能体、工作流和企业协同生态。通过 AutoBots 类型插件Coding 可以直接绑定 AutoBots 智能体或工作流并接入京 Me 机器人、Max 智能助理等已有生态能力。Coding 基建中的代码数据、分析数据和知识能力可以作为 JoyAgent 知识库对外提供服务Coding 开放的接口与 MCP 能力也可以直接接入 JoyAgent用于定义智能体和自动化工作流。最重要的是Coding可直接在MRcommit等合适的地方触发您的AutoBots智能体或工作流。通过这一框架Coding 与 JoyAgent 实现双向打通Coding 将代码知识和工具能力开放给 AutoBots 生态。Coding 深度集成 JoyAgent 代码类智能体进一步降低研发 AI 应用的开发和落地成本。2.2.3. 基于CLI Agent的代码Agent开发框架让开发者只需定义“做什么”借助代码库全操作能力与安全沙箱从“能回答”推进到“能执行”前两种框架能够很好地支撑对话式能力和预设流程式能力。它们适合基于提示词或预设工作流完成研发问答、知识查询、流程编排等任务。但在更复杂的研发场景中仅仅“回答问题”还不够。当用户业务逻辑复杂时一旦场景进入真实落地阶段例如下载代码、修改文件、执行命令、安装依赖、运行测试、读取完整代码文件或者与自有系统联动、将结果渲染到 Coding 页面、推送到京 MEAI 应用需要的不只是知识能力还需要真实的代码库操作能力和独立可执行环境。这时开发者往往会被环境搭建、权限配置、依赖安装、安全隔离等通用底层工作拖住。这些工作复杂、重复、耗时却几乎不直接创造业务价值。CLI Agent 框架正是为了解决这道从“能回答”到“能执行”的落地鸿沟。传统方式下开发者如果想构建一个能够操作代码库的 AI 应用往往需要自行实现 ReAct循环、接入 Spring AI 或 LangChain 等框架、开发工具调用链路、准备运行环境并处理代码拉取、依赖安装、权限隔离和执行安全等大量底层问题。而基于 Coding提供的开发框架开发者无需重复建设这些基础能力。只需要通过提示词、脚本和 Skill即可快速落地与代码库相关的自动化任务和 AI 应用。基于 CLI AgentAI 应用可以真正从对话走向行动从知识问答走向代码执行。CLI Agent支持三种灵活的开发模式纯脚本模式、提示词模式、Skills 增强模式。2.2.3.1. 纯脚本模式用于确定性自动化任务 用最低成本完成确定性任务把重复工作交给自动化。纯脚本模式不调用大模型只执行开发者配置的脚本。在这一模式下任务逻辑完全由脚本控制执行过程稳定、成本低、结果可预期适合边界清晰、规则明确、不需要 AI 推理参与的自动化场景。开发者可以按需配置前置脚本或后置脚本用于完成分支管理、文件操作、配置更新、环境检查、结果校验、数据处理等任务。适用场景分支创建、合并、清理等分支管理任务批量文件扫描、复制、替换、归档等文件操作配置文件检查、生成与更新仓库初始化、依赖检查、构建前后处理固定规则下的自动化巡检与结果汇总2.2.3.2. 提示词模式适用于轻量级 AI 应用降低了AI 应用开发门槛让开发者可以用提示词快速搭建与代码库相关的智能能力在这一模式下开发者通过提示词定义 AI 应用的任务目标、交互方式、处理边界和输出要求由 AI 在沙箱环境中结合代码库上下文完成分析、生成或处理任务。开发者无需接入复杂 Agent 框架也无需自行开发工具调用逻辑只需编写提示词并按需配置前置脚本或后置脚本即可构建轻量级 AI 应用。同时开发者可以选择是否下载完整代码库沙箱内置Coding 基建工具如CodeSearch、图数据库等让 AI 能够在更充分的代码上下文中完成任务。适用场景代码审查与问题解释单元测试生成技术文档生成团队知识沉淀变更影响分析研发问答与代码理解2.2.3.3. Skills 增强模式适用于专业AI应用将一次性的 AI 能力沉淀为可复用、可分发、可治理的专业能力模块面向更复杂、更专业、更可复用的研发 AI 场景。开发者可以通过 Skill 包将提示词、脚本、资源文件、领域知识和执行逻辑统一封装为一个能力模块使 AI 应用具备更强的专业能力和稳定性。沙箱内运行opencode等可完美运行用户Agent。用户仅需上传 Skill 包将特定领域能力沉淀为可复用资产。Skill 模式的核心优势在于它以 AI 原生方式组织能力能够以较低接入成本实现类似多Agent 框架的模块化与隔离效果。其关键机制是渐进式披露Agent 会根据任务复杂度和执行阶段动态加载所需指令、脚本和资源避免一次性注入过多信息造成理解负担同时确保 AI 在关键任务阶段获得足够准确的专业上下文。同时Skill 会将提示词、脚本、资源和执行数据进行独立封装有效降低跨任务之间的指令混淆和数据污染风险提升复杂 AI 应用执行过程中的稳定性、可控性和复用性。适用场景代码依赖分析专业领域规则扫描架构治理与规范检查多阶段代码分析任务需要沉淀为团队能力的复杂 AI 应用2.3. 让AI应用无缝集成-Coding前端扩展点AI 应用的价值不能只停留在“可被调用”更要进入开发者真实工作的现场。对于研发效能类 AI 应用而言最关键的问题不是能力是否存在而是能力能否在合适的时间、合适的位置以合适的方式被开发者自然使用。一个优秀的 AI 应用不应该让用户在多个系统之间频繁切换也不应该把研发流程割裂成彼此孤立的工具入口。因此Coding 将通过前端扩展点机制让生态 AI 应用能够无缝嵌入 Coding 的核心研发场景中。目前我们已在仓库内代码质量、代码评审等场景提供前端扩展点。生态应用可以根据自身能力嵌入到具体研发流程中例如在代码质量问题页面提供问题分析、风险解释、修复建议或在代码评审过程中提供自动检查、变更影响分析、规范校验和辅助 Review 能力。CCO 安全白盒扫描左移案例基于 Coding 提供的代码基建数据与沙箱运行环境CCO 安全白盒扫描能力可以在代码评审阶段前置介入对提交变更进行漏洞扫描与风险识别。扫描结果可通过 Coding 代码评审前端扩展点直接融入评审流程为开发者提供漏洞检出、风险卡点和 AI 修复能力。开发者无需离开当前 Review 页面即可完成问题定位、风险理解与修复辅助让安全能力真正前移到研发流程中。从此安全扫描不再是研发流程之后的被动检查而是成为代码提交与评审过程中的主动防线。金科防资损案例基于 Coding 提供的 Skill 运行环境金科防资损能力可以对仓库全量代码进行定时扫描持续识别可能引发资金损失风险的问题代码。该能力能够结合业务规则、代码特征和仓库上下文对资损相关风险进行自动化巡检并将扫描结果融入研发日常代码治理流程中帮助团队更早发现隐患、更快定位问题、更稳定地沉淀风险防控经验。通过这一实践防资损能力从依赖人工经验的事后排查升级为面向代码仓库的持续化、自动化风险巡检机制。通过前端扩展点AI 应用不再只是外部系统中的一个独立入口而可以成为 Coding 产品体验的一部分。开发者在查看代码问题、提交评审、处理缺陷、理解变更时即可直接调用生态应用能力在当前上下文中完成分析、判断和处理。未来Coding 将持续扩展更多前端扩展点覆盖更丰富的研发协作与工程治理场景让各类 AI 助手、智能体和自动化应用都能够以更加自然的方式进入 Coding。3. Coding生态案例3.1. 案例一代码问题-AI修复Coding实践在存量代码治理中缺陷修复长期面临三个现实难题问题多、价值散、没人修。传统静态扫描往往能发现大量编码规约类问题但其中不少问题修复价值有限也缺少足够上下文支撑导致 AI 修复时容易“看见问题却看不懂问题”。AI修复引入深度扫描能力不仅能发现问题还能提供调用链、数据流路径、分支条件和关联文件让 AI 在修复时拥有完整上下文。基于这一能力AI修复形成了三条典型修复链路AICR 代码评审问题修复、EOS 深度扫描问题修复、安全白盒问题修复。目前码无暇已在 3,433 个仓库中累计修复 27,556 个问题平均修复耗时约 3 分钟修复采纳率达到 95%。这组数据验证了一个关键判断只要平台能够提供足够精准的代码上下文AI 就可以从“辅助建议”进一步走向“可执行、可交付、可闭环”。AI修复验证了基于Coding生态一整套可泛化的能力模式工单驱动 → 自主规划 → AI 执行 → 结果校验 → 回写闭环。这套模式背后依托的是 Coding 提供的代码知识与运行底座包括仓库图谱、AST、CodeSearch、跨仓库调用图谱、RepoWiki、沙箱执行环境、统一模型网关、MCP 工具协议、日志链路与自动重试机制。平台不只是提供一个 AI 工具而是提供一套让 AI 真正理解代码、操作代码、交付结果的企业级能力底座。让高价值研发 AI 应用可以更快被创造、更稳地运行并以更自然的方式融入开发者日常工作流。3.2. 案例二AIAutoGenChecklist-上线检查在软件发布过程中上线检查清单通常依赖人工编写和经验判断容易出现检查标准不一致、配置变更遗漏、风险项难追溯等问题。尤其当一次 MR 涉及数据库、依赖包、MQ、RPC、配置中心等多类变更时人工排查不仅耗时也容易影响发布质量。AIAutoGenChecklist 基于 OxyGent 多智能体框架和 Coding 生态能力构建了一套智能上线分析引擎。生态应用可以自动获取 Coding 平台中的 MR 信息、差异文件和原始变更内容并结合 CodeSearch、图数据库、代码语义分析等 Coding-AI 基建能力识别数据库、POM 依赖、JSF、JMQ、DUCC、RPC 等关键配置变更自动生成上线变更计划、上线检查清单和上线部署方案实现“分析—生成—推送—留痕”的完整闭环。Coding 生态的集成价值业务团队无需重复建设代码拉取、差异分析、搜索检索、权限继承、消息推送和结果回写等底层能力只需基于 Coding 生态和 AI 基建封装自身规则即可快速构建面向真实研发流程的智能化工具。目前AIAutoGenChecklist 已累计为集团代码库完成超 2 万次智能上线分析将上线方案编写时间从平均 10 分钟缩短至 2 分钟检查覆盖率从 95% 提升至 98% 以上并有效降低部署风险。它证明了 Coding-AI 基建不仅能帮助 AI 理解代码也能帮助团队把 AI 能力嵌入发布流程形成可复制、可追溯、可扩展的智能上线新范式。3.3. 案例三告警日志分析到AI修复在京东科技客服平台研发体系中告警分析能力已经能够自动采集日志、识别异常模式、定位错误堆栈并生成结构化报告。但在实际处置中“分析”和“修复”之间仍然存在断层系统可以指出某个文件、某一行存在异常开发者仍需手动拉代码、本地复现、编写修复并提交 MR完整流程往往需要数小时。告警日志 AI 修复智能体正是为了解决这一“最后一公里”问题。它基于 Coding 生态提供的CLI Agent、Pre/Post Script、Skill、Prompt 和沙箱运行能力将告警分析结果转化为可执行的代码修复任务实现从告警定位、自动建分支、AI 修复、结果验证到 MR 提交的闭环。这个案例体现了 Coding-AI 基建从“代码理解”到“代码执行”的关键价值平台负责代码拉取、分支管理、执行环境、工具调用、安全隔离和结果回写业务团队只需定义告警修复场景下的规则、Skill 和提示词即可构建具备真实代码操作能力的研发智能体。通过这一实践告警处置从“发现告警、分析告警”进一步走向“修复告警”。它不仅压缩了故障修复耗时也让 AI 能力真正进入研发运维流程帮助团队构建更高效、更可控、更可持续演进的智能化故障处置体系。3.4. 案例四数仓SQL自动审查在数仓开发场景中很多线上问题并不是复杂技术难题而是高频细节遗漏fdm 表忘加有效标识过滤、分区条件缺失导致全表扫描、JOIN 条件异常引发笛卡尔积、LEFT JOIN 后错误过滤右表字段等。这些问题靠人工 Review 很难稳定兜住Lint 又难以理解业务语义团队规范文档也容易停留在“写了但没人看”的状态。spark-sql-review 基于 Coding 平台的 CLI Agent Skill 能力将团队多年积累的数仓开发经验沉淀为可复用的 Skill 知识包并在代码 Push 时自动触发审查。插件只处理本次变更涉及的 SQL 或离线脚本通过静态规则脚本完成确定性反模式检测再结合 Skill 中沉淀的业务规则、门禁标准和审查思维模型输出带证据、带行号、带风险等级、带修复建议的结构化报告。这个案例体现了 Coding-AI 生态的完整价值平台负责 Push 事件触发、沙箱运行环境、CLI Agent 执行、Skill 加载、脚本调用、结果生成和京 ME 通知业务团队只需维护自己的审查规则与专家经验。审查完成后研发和评审人可以直接在京 ME 收到结果修复后再次Push插件会自动复查形成“提交—审查—通知—修复—复验”的闭环。spark-sql-review 证明了 Coding 生态不仅能支撑复杂代码修复和上线分析也能帮助团队把领域经验产品化、流程化、自动化让“人肉 Review”升级为不会疲倦的智能审查能力。3.5. 案例五代码知识沉淀在产研测协作中很多沟通成本来自“知识不同步”产品想知道本次迭代改了哪些核心接口测试想确认变更影响范围研发虽然把设计文档写进了仓库 Wiki但还需要人工再同步到知识库。只要中间有人忘记更新机器人拿到的就是过期信息团队协作仍然依赖反复问人。代码知识自动沉淀应用正是为了解决这一断层。它基于 Coding 生态平台、Autobots 知识库开放 API 和 MCP 映射服务将“代码库 Wiki”与“机器人知识库”打通实现“文档随码走合并即同步”。研发只需在仓库维护 Markdown 设计文档并随代码一起提交。当代码合并到 master 分支时应用以纯脚本模式自动运行识别本次合并涉及的 Wiki 文档变更并根据新增、修改、重命名、删除等不同动作同步调用 Autobots 知识库接口完成文档创建、更新、映射或删除。Autobots 机器人后续回答问题时引用的就是最新知识内容。这个案例体现了 Coding 生态在流程编排和知识沉淀上的价值在Coding内负责监听合并事件、读取本地 Git Diff、获取文档全文、调用 MCP 映射服务和知识库接口Autobots 负责知识检索和机器人问答。业务团队无需重复开发同步脚本也不需要人工搬运文档只需按照约定维护 Wiki即可让知识自动进入产研测日常问答入口。更重要的是这套能力不是某个仓库的定制脚本而是可复用的通用插件。任意团队都可以通过“建知识库、仓库授权、接机器人”快速接入把代码变更、文档沉淀和机器人问答连接起来。通过这一实践代码知识从“人工事后补充”变成“随合并自动沉淀”产研测关于系统现状、接口变化、影响范围的问题也从“找人问”变成“问机器人”。它证明了 Coding 生态不仅能管理代码、执行任务也能把研发过程中的知识持续沉淀为团队可复用的资产。3.6. 案例六AI自动化测试平台在接口自动化测试中测试同学长期被三类工作反复消耗一是需要在代码、Swagger、PRD 之间来回切换理解接口入参、约束和业务逻辑二是历史自动化场景难以高效复用往往依赖人工搜索和复制修改三是新场景首次运行时经常因为参数、依赖数据或断言问题反复调试真正耗时的不是“写脚本”而是“读懂业务、组合链路、调通参数”。AI 测试平台基于 Coding 提供的 Agent 运行环境将“读代码、写场景、调参数”拆解为三步先通过 Code-Diff 识别增量接口并调度 Coding AI Agent 加载 interface-analyzer Skill生成包含接口信息、参数约束、异常路径和场景种子的代码解析报告再结合 PRD、代码变更、接口契约和历史场景通过 Skill 规则、按需加载和评估反思机制生成可执行的端到端测试场景后续进一步通过接口调用、响应分析和规则库判断实现参数自愈让脚本从“生成出来”走向“自己跑通”。这个案例充分体现了 Coding-AI 生态在复杂研发任务中的承载能力平台负责代码拉取、增量识别、Agent 运行、Skill 加载、工具调用、并发调度和执行环境支撑测试团队则将接口分析规则、场景生成规则、参数补全规则沉淀为可复用能力。AI 不再只是生成一段脚本而是在真实代码上下文和历史资产基础上完成从代码理解到测试场景生成的工程化闭环。通过这一实践测试同学可以从大量机械工作中释放出来把精力放回业务风险判断、异常路径设计和回归策略制定。AI 测试平台证明了 Coding 生态不仅能帮助 AI 理解代码、执行代码也能支撑质量保障场景中的自动化资产生成让“读代码、写场景、调脚本”从小时级压缩到分钟级推动测试工作从脚本生产转向质量决策。4. 让每一个研发场景都能长出自己的 AI 能力从 AI 修复、智能上线检查到告警自动修复、SQL 自动审查、知识自动沉淀、测试场景智能生成这些案例看似分布在不同业务场景本质上都指向同一个变化研发 AI 应用正在从“单点工具”走向“平台化生长”。过去团队想做一个真正可落地的 AI 应用往往需要重复建设代码拉取、代码理解、知识检索、执行环境、权限控制、结果回写等大量底层能力。现在基于 Coding-AI 生态业务团队可以直接复用 Coding的AI基建数据、沙箱环境、Remote Agent等等把精力集中在自身业务规则、专家经验和场景创新上。这正是 Coding 生态的核心价值不是替业务团队做完所有 AI 应用而是提供一套稳定、开放、可复用的能力底座让每个团队都能更快构建自己的Agent让 AI 能力自然进入代码评审、上线检查、故障处置、质量保障、知识问答等真实研发流程。未来Coding 将继续围绕代码知识产品化、研发能力服务化、AI 能力生态化持续开放更多基础能力和集成入口。我们希望与集团内更多研发团队一起把散落在不同场景中的经验、规则和流程沉淀为可复用、可编排、可扩展的 AI 能力共同建设集团的开放研发 AI 生态。让 AI 真正理解代码、使用代码并参与到研发过程之中。让每一个团队的经验都可以成为生态中的能力。让每一次研发创新都能基于 Coding 生态更快发生。