专题演讲嘉宾：张忻正

AI 大幅降低了代码生成成本，却没有同步降低正确性交付成本。进入大型工程后，模型更像一个能力放大器：工程基础扎实的地方被放大，缺失的约束、验证和定位能力也会被放大。

本次分享结合后端、Web 前端与移动端的真实实践，聚焦 AI Coding 落地最关键的四件事：约束、定位、验证、度量。分享如何将架构规则从文档变成可执行约束，利用工程关系精准定位上下文，通过自动化验证提供交付证据，并从“代码量、Token、采纳率”等过程指标回归到一个更核心的问题——AI 写出来的代码，我们敢不敢合并？

同时复盘大型团队在 AI 工程化过程中的真实取舍：哪些建设值得持续投入，哪些方案已经验证失败需要止损，以及什么样的工程与协作形态，才能真正支撑 Fullstack 的规模化 AI 交付。

演讲提纲

1. AI Coding 在大型工程中为什么容易失速

• AI 是能力放大器，而不是工程能力补全器
• Harness 为什么会快速腐化
• 局部有效为什么难以跨团队、跨技术栈复制

2. 把工程规则变成 AI 能理解的确定性约束

• 约束左移：Format、AST、测试、编译检查
• 让 Codegen、强类型、构建系统承载工程事实
• 减少平行文档，让代码和工具成为唯一事实来源

3. AI 时代工程能力的四个底座

• 约束：把架构规则变成机器可执行的检查
• 定位：从“塞满上下文”转向利用工程关系找上下文
• 验证：从“生成代码”转向“提供交付证据”
• 度量：从 Token、代码量、采纳率回归“敢不敢合并”

4. 大型团队的真实实践与取舍

• 哪些工程建设已经验证有效
• 哪些方案失败，为什么选择止损
• Fullstack AI 交付真正跑通需要什么条件
• 技术改造背后的组织成本与未解决问题

实践痛点

• 自我变革需要背水一战的决心:改变熟悉的分工、研发方式与交付习惯
• 面对已经验证不适用的平台和工程，需要敢于否定既有投入，承担拆除与重建的责任

前沿亮点

• 从“让 AI 写得更多”转向“让团队敢于合并”：重新定义 AI Coding 的工程目标，从代码生成效率回到最终交付确定性
• 约束、定位、验证、度量的完整工程实践：覆盖后端、Web、移动端，而非单一技术栈的局部实验
• 真实的失败与止损经验：不仅分享做成了什么，也讲清楚哪些方案为什么失败，以及什么时候应该停止投入
• 代码成为 AI 与人共同的工程事实：减少依赖文档，通过 Codegen、类型系统、AST、编译和测试，让工程规则直接进入构建链路

听众收益

• 理解大型工程落地 AI Coding 时，真正的瓶颈为什么从“写代码”转向“确定性交付”
• 获得约束、上下文定位、自动验证等工程建设的具体实践参考
• 了解大型团队 AI 工程化中哪些值得做、哪些应该停止做，避免陷入不断堆 Harness 的低效循环
• 理解 Fullstack AI 交付真正需要的工程和协作基础