华剑侃-L3AI协同开发探索之路困境路径与实践.pdf

1、L3 AI 协同开发探索之路：困境、路径与实践华剑侃|快手华剑侃快手 CodeFlicker 产品负责人负责智能开发伙伴 CodeFlicker 的产品规划、研发与落地，致力于通过提供 AI研发产品推动研发效率、体验和幸福感的提升。在 AI DevOps 领域拥有多年实战经验，曾任职于蚂蚁和腾讯，从 0 到 1 主导打造云原生和 AI 原生研发产品等智能研发工具，并推动在企业级场景成功落地。目 录CONTENTSI.AI 编程领域 L1-L5 能力分层II.AI 协同开发范式的推演探索和实践落地III.快手内部企业级提效演进PART 01AI 编程领域 L1-L5 能力分层从辅助到协同，软件研

2、发的智能化演进AI 编程能力分级目前普遍处于 L2 夯实并向 L3 探索的阶段应用场景 技术文档生成 根据需求描述生成功能代码 错误修复和调试 代码重构和优化AI 编程能力分级目前普遍处于 L2 夯实并向 L3 探索的阶段应用场景 从需求到代码的端到端自动化 小型项目的快速原型开发 网站前端生成 基于用户故事自动创建合并请求AI 编程能力分级目前普遍处于 L2 夯实并向 L3 探索的阶段PART 02AI 协同开发范式的推演探索和实践落地从真实用户场景中来，到真实用户场景中去随着 AI 编程工具进入 Agentic 阶段，开发者的工作范式正逐步从传统的“以编辑器为中心”向“以任务为中心”转变。

3、AI 编程的优秀实践变成“输入需求-编码-验收修改”的任务级别循环。对于我们的目标用户工程师而言，大家工作重心依然是“开发”。开发的定义不仅仅是编码，而是包含前置和后置环节，例如前置的理解现有逻辑和后置的代码验收。用户开发范式转变Agent-Native 开发范式以任务为中心的智能体驱动模式用户开发范式转变用户开发范式转变信息壁垒，对项目与业务上下文的系统性理解不足：新人或跨模块开发同学在接手项目时，初始信息壁垒高，缺乏对仓库结构、业务逻辑、模块作用的快速理解路径，缺少项目级全局视图及可下钻的代码地图支持，导致理解成本高、上手速度慢。项目中部分代码实现涉及跨层级甚至跨仓库逻辑，AI 对此的系统

4、性理解有限，生成的类图/流程图或描述往往不完整、模糊或存在偏差，不符预期，需要用户再次介入进行更繁重的校验和修改。用户开发范式转变AI 协作不够主动：【输入】前置不主动澄清：AI 非常倾向于直接开始干活，但是对用户的意图理解不足，导致效果不及预期。提示词编写表达难度大、负担高：正确表达需求本身存在难度，部分用户对需求/任务的理解不清晰，难以准确向 AI 描述。即便用户已经明确需求，在提示词的组织上仍存在困难，不知道如何编写高质量提示词，不确定应该提供哪些上下文信息。长度与效率存在矛盾，有相当一部分用户主观认为编写长提示词行为冗余低效，像“写文档”，然而又担心提示词不够完整导致生成结果不符预期。

5、【输出】后置不主动验证：Agent 产生的代码变更量大，加上 Agent 并行运行能力，导致人工 review code diff 成本高。用户开发范式转变AI 在处理小颗粒度、目标明确的任务时通常表现良好，但在应对复杂开发任务时，由于缺乏全面深入的系统性研究和严密推理，最终生成代码质量往往不理想，需要频繁返工。长期以来 AI 编程工具的主流心智是“AI 帮我写代码”，发生在代码之前的那些工作对需求的理解、架构的分析、方案的推演与验证，在很大程度上决定了最终生成结果的质量。是协同 不是接力L2L3输入被动输入的响应式驱动L2 Agent 只能在接收到明确指令或问题后执行任务，无法主动识别输入中

6、的模糊、不完整或矛盾点“你说我做，你不说我不会问”。Agent 不会主动反问，不会确认需求是否正确，不会提醒用户缺失重要上下文。用户必须尽可能把信息说全、说对，否则 Agent 会执行偏差甚至理解错误。输入被视为静态文本，而非“协作构建问题”的过程。主动澄清与问题共建L3 Agent 输入方式不再只是接收文本，而是成为共同定义问题的参与者“问清再做”。在需求模糊时主动提问、补充关键变量。在上下文缺失时主动检索代码、配置、历史记录来构建输入语境。当发现逻辑冲突或隐含前提时，能够识别并提示。输出收敛式答案输出L2 Agent 输出强调给出一个看似完成的答案/