AI Coding 的新征途

围绕 Windsurf 的收购，OpenAI 与 Google 上演商战大戏。

类似Cursor，Windsurf 也是“AI 编码助手”。作为 GenAI 潜在的杀手级应用，“AI 编码助手” 被行业寄予厚望：

将深刻影响开发效率、重新定义开发方式。

AI 编码助手拖累资深开发者

然而近期非盈利机构 METR的研究【文献1】却发现，AI并没有让资深开发者更高效。

METR 基于随机对照试验设计，对 16 位经验丰富的开源项目开发者进行测试，每人需完成 246 个任务。

开发者预估AI 有助提效 20 %，但客观数据显示：使用如 Cursor Pro + Claude 3.5/3.7 时，平均完成时间反而延长19%。

主要原因梳理如下：

AI 的建议仅有约 44% 被采纳，且大多数代码需要逐行复查与重构（约 9% 的总时间）；

在熟悉的复杂项目中，AI 随意修改可能引入额外错误与上下文冲突。

启发是，对资深工程师而言，AI编程助手在处理部分小问题时有些价值；

但并未带来整体效率提升，反而引入更多校对时间和认知干扰。

哈佛商业评论团队的实验

对于 AI 能否重塑软件开发工作中的角色和任务结构，哈佛商业评论团队也基于 GitHub Copilot 做过实验分析【文献2】。

研究表明：

接入 Copilot 后开发者减少协作频率，更倾向于独自完成任务，组织扁平化趋势显现；

开发者侧重进行高度探索性思考（如尝试新框架、实验新方法），而将具体编码任务交由 AI 辅助；

Copilot 对技术经验较少的开发者帮助显著，有助于缩小与资深开发者之间的能力差距；

原本耗费在项目管理、资料搜集、协调沟通上的时间，更多被用到“核心开发”与“创新思考”上。

研究给出这样的务实建议：为开发者提供更多“AI‑辅助自主块”，可以让他们将脑力资源更聚焦在核心设计与创新上，提升工作满意度与创造力。

多Agent协作开发模式

来自清华、悉尼大学等机构的团队，则针对多 Agent 协作开发的模式做了系统化的探索【文献 3】。

研究构建了 ChatDev：一个协同工作的“虚拟软件公司”，由代表多种常见角色的Agent构成。

他们通过 Chat Chain 持续对话协作，覆盖从需求到设计、编码、测试与文档的完整开发流程。

ChatDev具备如下特征：

• 所有 Agent 均基于自然语言通信，避免多模型不一致问题；
• 将大任务拆分成许多子任务，通过对话链协作推进；
• 交流降低幻觉设计，Agent 在执行前会主动提问、澄清需求。
  
  

ChatDev 可在少于 7 分钟、低于 1 美元成本内完成一个五子棋游戏的开发。

ChatDev 展示了多 Agent 分工协作远超单一 AI 工具的潜力，能显著改善任务的连贯性与质量；

但其明显的缺点在于成本高——持续运营多模型 Agent 面临资源与费用挑战。

机遇与风险并存

METR强调，当前 AI 尚不足以替代专家，但其认知缓冲仍深受青睐。

哈佛团队指出，AI 效果与策略使用关系紧密，若设计得当，能够释放研发潜力。

ChatDev 则显示，AI 群体合作可提升结构化任务效率，但需克服资源瓶颈。

从单一 AI 辅助到 AI 改变工作方式，再到 AI Agent 协作，各具挑战与适用场景。

这里，笔者看到一条AI Coding 的新征途：任务原子化，把“写代码”拆成“说话”；认知外包，用 AI 代理扩展“个人带宽”；多代理协作，让 AI 之间先“吵”出共识。总结一句话，语言即编译器，自然语言成为最高抽象，把软件工程变成一场多代理的“语言游戏”。

文献1, Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity， https://arxiv.org/abs/2507.09089

文献 2, Generative AI and the Nature of Work，https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5007084  

文献 3, ChatDev: Communicative Agents for Software Development ，https://arxiv.org/html/2307.07924v5

本文转载自​​​​​​​​​​​​​清熙​​​​​​​​​，作者：王庆法