AI热榜 在大语言模型能力持续跃迁、AI 编码工具从 Copilot 向 Agent 形态快速演进的当下，一个核心问题逐渐浮出水面：AI 写代码很快，但在生产环境的工程化落地中，它为什么总显得“差那么点意思”？
本文整理自 淘宝闪购高级技术专家邓立山 在 QCon 全球软件开发大会 2026 北京站 的分享《可复制的 AI Coding 全栈实战：比 OpenSpec 更轻量、更丝滑》。
邓立山从一线实践者视角出发，系统分享了该团队在 AI 编码领域长达一年多的全栈实战经验、方法论的沉淀过程以及对未来演进的判断。
演讲主题聚焦于“可复制的 AI Coding 全栈实战”，围绕 AI 编码可控性的本质、一套分层可扩展的规范体系、代码生成后的质量保障闭环以及团队层面的推广运营机制展开，同时回应了程序员角色在 AI 时代价值重塑这一深层命题。
以下是演讲实录（经 InfoQ 进行不改变原意的编辑整理）。
AI 编码为什么总差点意思 自 ChatGPT 爆火以来，Devin、Copilot 等 AI 编码工具接连引爆舆论，媒体关于“程序员是否即将失业”的讨论此起彼伏。
这种焦虑并非毫无根据——从模型层面看，无论参数量还是上下文窗口，都发生了三个数量级以上的增长；从工具层面看，从 Copilot 到各类 Agent，能力边界也在持续扩展；从资本层面看，某公司在不到一年时间内估值从低点飙升至八千六百多亿美元，增长近五十倍。
我们有充分理由相信 AI 具备写好代码的能力。
然而，当我们真正将 AI 编码引入生产实践时，遇到的问题却远比宣传中复杂得多。
我们在实践中遇到的典型问题包括：AI 看似写得很快，但输出的往往只是一个代码框架，具体的业务逻辑要么空白，要么明显错误；即使代码本身能跑通，在整个应用工程中放置的位置也可能完全不对，目录结构混乱，与现有架构格格不入。
这些现象反复出现之后，我不得不思考一个根本问题：到底是 AI 写不好代码，还是我们没有用好 AI？
🔗 原始来源
如果你要核对细节，可以再看原文： InfoQ AI原文链接