网罗开发 （小红书、快手、视频号同名）

  大家好，我是 展菲，目前在上市企业从事人工智能项目研发管理工作，平时热衷于分享各种编程领域的软硬技能知识以及前沿技术，包括iOS、前端、Harmony OS、Java、Python等方向。在移动端开发、鸿蒙开发、物联网、嵌入式、云原生、开源等领域有深厚造诣。

图书作者：《ESP32-C3 物联网工程开发实战》
图书作者：《SwiftUI 入门，进阶与实战》
超级个体：COC上海社区主理人
特约讲师：大学讲师，谷歌亚马逊分享嘉宾
科技博主：华为HDE/HDG

我的博客内容涵盖广泛，主要分享技术教程、Bug解决方案、开发工具使用、前沿科技资讯、产品评测与使用体验。我特别关注云服务产品评测、AI 产品对比、开发板性能测试以及技术报告，同时也会提供产品优缺点分析、横向对比，并分享技术沙龙与行业大会的参会体验。我的目标是为读者提供有深度、有实用价值的技术洞察与分析。

展菲：您的前沿技术领航员
👋 大家好，我是展菲！
📱 全网搜索“展菲”，即可纵览我在各大平台的知识足迹。
每周定时推送干货满满的技术长文，从新兴框架的剖析到运维实战的复盘，助您技术进阶之路畅通无阻。

引言

如果你最近半年一直在使用：

Cursor
Claude Code
GitHub Copilot
Gemini CLI
OpenAI Codex

一定会发现一个明显变化。

2023 年的 AI：

补全代码
生成函数
解释代码

2026 年的 AI：

修改整个项目
重构模块架构
定位复杂 Bug
自动补充测试
完成完整需求开发

例如一句简单的话：

给订单系统增加 RBAC 权限控制。

现在的 AI 已经可以自动完成：

分析数据库结构
修改 Entity
更新 Service
修改 API
更新前端权限
补充测试
更新文档

整个过程已经不像：

Code Completion

更像：

Software Engineer

于是问题来了：

为什么 AI 突然开始「懂代码」了？

很多人觉得：

模型越来越大。

事实上，这只是整个答案的一小部分。

真正发生变化的是：

AI 已经开始理解整个软件工程，而不仅仅是代码。

一、AI 真正理解的，从来不是代码

很多开发者都有一个误区，认为：

代码 = 软件

实际上对于一个程序员来说。

真正重要的是代码：

项目结构

业务流程

模块关系

依赖关系

编码规范

团队约定

只是这些信息的一种表达形式。

例如，一个 Java 方法：

createOrder()

真正需要知道的是：

谁调用它？

它调用谁？

数据库在哪里？

事务如何处理？

权限在哪里校验？

消息什么时候发送？

这些信息代码本身没有告诉模型。因此：

真正的软件工程，本质上是一个巨大的关系网络（Graph）。

二、过去的 AI，只会预测 Token

Transformer 本质只有一件事，预测下一个 Token。

例如：

if(user == null){

模型预测：

return;

或者：

throw Exception();

整个过程：

Token
↓

Transformer

↓

Next Token

模型不知道：

为什么这里判空？

这个函数属于哪个模块？

还有哪些地方调用？

因此早期 Copilot 更像：

超级代码补全

而不是：

软件工程师

三、真正改变 AI Coding 的，不是模型，而是 Context Engineering

为什么 Cursor 和 Claude Code 突然变强？

很多人第一反应 Claude 4 更聪明了。

其实真正升级的是：

Context

过去模型输入：

当前文件

现在模型输入：

整个 Repository

README

Git History

Issue

PR

设计文档

依赖关系

终端输出

运行日志

输入的信息量发生了指数级增长。

例如，AI 修改一个接口之前，它已经知道：

Controller

↓

Service

↓

Repository

↓

Database

整个调用链。

因此 AI 不再理解：

一个文件

而是：

整个项目

四、AI 为什么能够修改几十个文件？

很多人第一次使用 Claude Code。

最震惊的一件事就是一句话。AI 修改几十个文件，例如：

增加多租户支持

AI 自动：

数据库

Entity

Repository

Service

API

Frontend

Config

Test

全部修改，为什么？因为 AI 已经开始：

规划（Planning）

它不是直接生成代码，而是先拆任务。例如：

目标：

增加 RBAC

Planner 自动生成：

① 数据库增加角色表

② 修改 ORM

③ 更新权限接口

④ 修改登录流程

⑤ 修改菜单

⑥ 增加测试

⑦ 更新文档

整个流程，其实就是：

Software Engineering Workflow

而不是：

Prompt → Code

五、Repository 正在成为 AI 的长期记忆

以前 AI 每次聊天，都会忘记：

项目是什么

团队规范是什么

代码风格是什么

现在越来越多 AI Coding 产品开始把：

Repository

当作：

Memory

例如 AI 会自动学习：

目录结构

公共组件

工具函数

历史 Commit

Review 建议

编码规范

因此 AI 修改代码时，越来越像：

加入团队三个月的新员工

而不是：

第一次打开项目的人

六、真正让 AI 变强的是 Runtime，而不是模型

很多人忽略了一点，真正工作的已经不是：

LLM

而是：

AI Coding Runtime

例如 Claude Code，真正执行一次任务，实际上经历：

用户需求

↓

Planner

↓

Repository Search

↓

Code Index

↓

Context Builder

↓

LLM

↓

Tool Calling

↓

Edit

↓

Compile

↓

Test

↓

Git Commit

其中 LLM 只是：

其中一步

大量工作，都是 Runtime 完成，例如：

搜索代码

建立上下文

执行命令

修改文件

运行测试

读取日志

验证结果

真正决定 AI Coding 上限的，已经不是：

模型

而是：

Runtime

七、AI Coding 正在从「生成代码」变成「完成任务」

这是 AI Coding 最大的一次范式升级。

过去：

Prompt

↓

Model

↓

Code

未来：

Goal

↓

Planner

↓

Reasoning

↓

Repository

↓

Tool

↓

Verification

↓

Result

可以发现输入已经不是：

代码需求

而是：

目标（Goal）

例如：

帮我完成支付模块。

AI 自己决定：

分析需求

设计数据库

修改代码

执行测试

修复错误

提交 Commit

真正变化的是：

AI 从代码生成器，变成了任务执行者。

八、未来 AI 理解的不只是代码，而是整个研发体系

今天 AI 理解：

代码

未来 AI 理解：

PRD

数据库

架构图

CI/CD

日志

监控

用户反馈

线上异常

最终形成：

Software Engineering Graph

整个研发生命周期。

都会成为 AI 的上下文。

届时 AI 真正理解的。

已经不是：

Code

而是：

Software Lifecycle

九、AI Coding 的终局：软件工程智能体（Software Engineering Agent）

过去五年，AI Coding 经历了四个明显阶段：

Code Completion
        │
        ▼
Code Generation
        │
        ▼
Repository Understanding
        │
        ▼
Software Engineering Agent

对应的核心能力也不断升级：

阶段	核心能力	关注重点
Code Completion	Token Prediction	单行代码
Code Generation	代码生成	单个函数
Repository Understanding	Context Engineering	整个项目
Software Engineering Agent	Agent Runtime	完整研发流程

未来，AI Coding 不再是一个「写代码工具」，而是一位能够参与需求分析、架构设计、编码实现、测试验证和持续迭代的工程智能体。

总结

很多人认为：

模型越来越大

所以：

AI 越来越聪明

但真正发生变化的是 AI 已经从理解：

代码（Code）

升级到理解：

项目（Project）

再升级到理解：

软件工程（Software Engineering）

一句话总结全文：

AI 越来越懂代码，并不是因为它学会了更多编程语法，而是因为它开始理解整个软件工程系统。从 Token Prediction 到 Software Engineering Agent，AI Coding 的竞争已经从模型能力，演变为 Context、Memory、Tool、Runtime 与工程体系的综合竞争。

最终结论：

模型（Model）
决定 AI 能生成什么

上下文（Context）
决定 AI 能理解什么

运行时（Runtime）
决定 AI 能执行什么

软件工程（Software Engineering）
决定 AI 能真正完成什么

未来最优秀的 AI 编程助手，不会是写代码最快的那个，而是最懂软件工程的那个。 当 AI 能够理解项目、规划任务、调用工具、验证结果并持续学习团队经验时，它将真正从一个“代码生成器”进化为一名“软件工程智能体（Software Engineering Agent）”。这也是 AI Coding 下一阶段最值得关注的技术方向。