专题演讲嘉宾：杨凯

随着大模型能力持续提升，AI Coding 已成为研发提效的重要方式。然而，在大型工程、复杂架构和多端协同的真实研发环境中，"一个模型解决一切"的模式逐渐暴露出上下文膨胀、目标漂移、工程约束缺失、结果不可控等问题。如何让 AI 真正理解工程，而不仅仅是生成代码，正成为 AI Coding 走向规模化落地的关键挑战。

本次分享将结合小红书客户端研发 AI 化实践，介绍一套面向复杂工程的 AI Coding 落地方案。围绕"拆解、隔离、约束、感知"四个核心原则，通过任务拆解、多 Agent 协作、结构化中间产物、运行时反馈等工程化手段，让 AI 从"通才模型"演进为能够完成复杂研发任务的"专才 Agent"，实现从需求文档、Figma 设计稿到 Android、iOS、鸿蒙等多端可运行代码的全链路自动化研发。

分享将重点介绍 Context Engineering、Agent Harness、多 Agent 协同、Runtime Feedback 等关键技术实践，探讨如何降低上下文复杂度、提升代码生成确定性，并结合多个真实业务案例，分享 AI 在大型客户端工程中的落地经验，以及复杂研发场景下 AI Coding 的工程化演进方向。

演讲提纲

1. AI Coding 为什么在大型工程中失效

• 从 Demo 到复杂工程：AI Coding 面临的新挑战
• 单 Agent 的三大瓶颈：上下文膨胀、目标漂移、工程约束缺失
• 为什么模型越强、上下文越长，反而越需要工程护栏

2. 核心设计：拆解、隔离、约束、感知

• 面向 AI 的任务拆解：节点化架构与最小上下文单元
• 多 Agent 协同：职责隔离、流水线执行
• 结构化中间产物：让 AI 在可控边界内完成任务
• Runtime Feedback：通过截图、UI 树、日志等运行时信息，让 AI 感知真实执行结果，实现"写完即验、遇错即改"

3. Harness 工程实践

• Context Engineering：上下文如何组织
• Agent Harness：任务调度与流程编排
• 三重门控：输出检查、状态验证、文件完整性校验
• 闭环迭代：问题在 SubAgent 内部完成修正，不污染主流程

4. 真实业务落地效果

• 多个客户端页面自动生成实践
• Android → 鸿蒙跨端迁移实践
• AI 出码效率、代码采用率与工程收益
• 当前实践的局限性与未来优化方向

5. 总结与展望

• AI Coding 从代码生成走向工程智能
• Agent 如何成为研发流程中的核心执行单元
• 大型工程 AI Coding 的未来演进方向

实践痛点

落地需要前置产品需求阐述清楚，落地中 Token 消耗量需要进一步压缩，在小红书这样的大型项目效果还有优化空间，并不是一个终极形态。

前沿亮点

详细介绍 AI Coding 在小红书这样一个大型、重 Native 交互、高速发展的客户端落地实践。核心亮点：

• 任务拆解 + AI 友好架构，极大地降低了 AI 的上下文量
• 约束出码 + 多轮优化，将每一步的出码质量提升到最高
• 给 AI 加上动态感知能力，在客户端领域为 AI 补上了最关键的一个能力

听众收益

• 理解 AI Coding 在大型工程中的核心挑战，以及为何传统端到端方案难以规模化落地
• 掌握任务拆解、Context Engineering、Agent Harness、多 Agent 协同、Runtime Feedback 等关键工程实践，了解如何构建适用于复杂研发场景的 AI Coding 系统
• 学习从需求文档、设计稿到多端代码生成的完整工程化方案，以及 AI 提升复杂项目研发效率的真实经验
• 了解 AI Coding 从"辅助生成代码"向"理解工程、参与研发流程"演进的发展趋势，为构建下一代 Agent First 研发体系提供实践参考