随着大模型与 Coding Agent 的推理和执行能力持续迭代增强，研发团队在 AI Coding 落地方面已迈入深水区。AI 具有极强的可塑性，我们通过对实际项目工程的持续探索与实践，在试点的高频迭代复杂业务系统中，AI 入库代码占比已达 60%。同时，我们对 AI 如何驱动业务平台开发形成了新的解读：即通过“设计+规范”、“知识+工具”、“模式+流程”三大驱动，实现 AI 模型与工具的能力增强与研发团队工程优化的双向管齐下与双向奔赴。

演讲提纲

1. 平安爱码：平安科技上万开发者的Coding Agent，研效提升的"曲率引擎"
   • 平安爱码Agent的形态和能力概述
   • 2025年平安爱码赋能研效提升成果
2. 核心实践：金融级“严谨”AlCoding的四大支柱
   • 规范驱动：核心实践构是建提质提效的 AI 规范驱动开发，我们在大型业务平台系统工程落地 AI Coding 的过程中，开展了两大规范驱动实践：
     • 首先，沉淀 AI 开发指导规范：针对前后端业务功能及技术任务细分，体系化梳理形成开发指南，作为 AI Agent 产能释放的关键，有力支撑了 60%的 AI 代码占比。
     • 其次，实现代码质量强约束与AI“自愈”：借助 AI 将项目私域的架构设计与代码规范批量转化为 Lint、ArchUnit、P3C 等 CI 工具，无论是人工还是 AI 产出的代码，均须通过强制校验，将无形规范转化为有形约束，显著提升人机协作的代码一致性。
   • 知识工程：核心实践是如何沉淀一个大型业务系统的结构化私域知识，大型业务系统代码库动辄百万行，涉及大量企业私域的业务概念与规则，通用大模型难以精准理解。我们通过“软件项目知识银行“的实践，将一个软件系统关键知识利用图数据库、向量数据库及文档数据库等针对性结构化存储，并通过 MCP 将知识外挂赋能 Coding Agent，补齐模型的私域业务认知短板。
   • 上下文工程：核心实践是分场景精准管理上下文，确保 Coding Agent 在每次大模型请求时携带任务相关的精准上下文。基于一线研发实践，我们将核心任务场景划分为三类：项目功能开发、项目理解分析、项目开发质量保障，每一大类上下文又进一步细分。通过细分场景所需的具体规范、知识与工具，实现高质量私域上下文的精准加载。
   • 人机异步协作：打造“睡后编程”人机流程，我们AI Coding研发的先锋团队已开始全面转型异步协作模式，开发人员在工作日一定时段会调整工作重点（每日下午后两小时及周五下午）从传统开发转向布置 AI 异步开发任务，挖掘夜间及周末等非工作时间价值。通过实施 How-to/To-do两阶段异步开发模式，最大化研发时间的利用率提升人机异步产出。
3. 总结与展望：Coding Agent持续演化
   • 过去是，等等指令的"实习生"
   • 当前是，只认文档的"外包团队"
   • 下一步，主动规划的"技术合伙人"

这样的技术在实践过程中有哪些痛点？ 

1. 很多项目的开发架构缺乏 AI 亲和严重制约了 AI Coding 在项目上的落地和发挥效果。开发架构在 AI 时代会异常重要，我们也在持续探索什么样的代码工程结构和代码组织方式是比较有利于 AI 开发的？比如 单体、微服务、模块化宏服务，前后端分离与前后端整合等怎么来提升 AI Coding 的效果？
2. AI Coding 的编程推理模型持续在迭代能力越来越强，但是模型和项目代码库之间的隔阂全靠 coding Agent 的上下文来对齐，上下文窗口一直在扩展但是也是有限的，如何在有限的上下文上支持研发过程中多个种场景的 AI 提效，如项目理解场景、功能开发代码生成场景、质量保障场景等？
3. 我们也在推动开发人员在 AI 加持下面的角色左移和右移，希望打造既懂业务又懂技术的前线交付工程师，全流程端对端怎么搭建稳定高效的 agentic 工作流？目前我们有一些局部尝试断点较多，特别在行业属性合规和准确要求高的要求下如何在端到端的 AI 开发上发力？

演讲亮点

• 平安科技 AI 编码实践案例
• 金融行业独家严谨 AI Coding 之道