企业官网建设流程全解析

AI 写代码的速度至少是人的 10 倍。90% 的代码由 AI 产出之后，理论上效率提升应该是数倍甚至一个数量级。10 倍和 1.6 倍之间消失的那部分，才是 AI Coding 落地的真实成本区。

一、一个刺眼的数字：10 倍生成速度，1.6 倍交付效率

某头部互联网大厂披露的一组数据：过去一年，其 AI 代码贡献率增长超 6 倍，AI Coding 的 tokens 消耗增长 5 倍，AI 代码合入率增长超 2 倍。单看任何一项，都足以写进年度喜报。

但另一组数据，才是真正值得行业停下来思考的：

其内部最激进的 AI Coding 团队（本身就是做 AI Coding 工具的团队），过去半年超过 90% 的代码由 AI 生成，而人均需求吞吐率只提升了 60%，即 1.6 倍。

AI 写代码的速度至少是人的 10 倍。90% 的代码由 AI 产出之后，理论上效率提升应该是数倍甚至一个数量级。10 倍和 1.6 倍之间消失的那部分，才是 AI Coding 落地的真实成本区。

这直接引出第一个判断：AI 代码贡献率是一个容易失真的虚荣指标。当团队把它定为 KPI 并围绕它优化时，优化动作会滑向"多用 AI、多生成代码"，而不是"全局交付效率是否真的提升"。数字快速上涨时，人很容易自我感觉良好，但代码生成量的膨胀与交付效率之间，从来不是线性关系。

二、900 次实验：正确率及格了，工程交付全军覆没

为了量化 Vibe Coding 的真实水位，该团队做了一个在公开分享中相当罕见的实验：

选取 3 个主流 Coding 模型 × 3 个主流 Agent 框架，两两组合成 9 组，针对一个中等复杂度的真实业务需求（C 端产品的创作页视频预览与调整功能），用相同 Prompt 各跑 100 次，共 900 次。

结果分两层看：

功能满足度层面，9 组组合正确率全部超过 80%。如果评测到此为止，结论是"Vibe Coding 已经可用"。

可交付性层面，画风急转直下。UI/交互易用、可靠性、可维护性、兼容性、性能效率五个工程维度，得分普遍跌到 40~60 分的不及格区间，且表现出极强的随机性：异常处理不规范、不复用仓库已有组件、改动击穿历史功能、实现方式偏离团队工程规范。

这个实验的价值在于，它用数据说清了一个行业心照不宣的事实："功能跑通"和"达到上线标准"之间，隔着一整套软件工程。企业需要的不是能跑的 Demo，而是长期稳定、可维护、可演进的系统。Vibe Coding 让你感觉快了，但感觉快不等于真的快，补坑的时间，往往被忽略在体感之外。

三、Harness：可交付性的最后一公里

这是最值得关注的部分，也是与当前行业讨论最错位的地方。

2026 年谈 Harness，多数人的注意力还在 Agent 框架和工具调用能力上。但一线实践指向另一个结论：真正决定 AI 能不能落地的，是更基础、更工程化的"基建"问题。这套基建可以拆成三件事：搭环境、说意图、建闭环：

• 上下文工程（Agent 怎么知道该做什么）：L0–L4 五层渐进式披露的文档体系（路由/架构/模块/参考文档/操作手册/Skill），加上 ExecPlan 执行计划，设计文档、施工蓝图、进度日志、决策记录，边干边更新的活文档。
• 架构约束（Agent 怎么不出错）：确定性 Hook + 测试分层防御（L0 文件卫生 → L1 语言质量 → L2 AI 专属防御），覆盖率门禁与录制回放；DDD 分层、IDL 驱动、前端边界，本地可运行 + 秒级反馈。
• 垃圾回收（Harness 怎么不腐化）：技术债扫描与文档新鲜度巡检，机械 + 语义双维度定期自动修复；Push 前自动检查、完成即归档、周期性清理。

把这套基建接入之前的实验后，同一批模型 + 框架组合的结果发生了质变：正确率从 80% 提升到接近 90%，而可交付性从 40~60 分的不及格线，整体跃升到 80 分的可交付区。

注意这个对比的含义：模型没变，框架没变，Prompt 没变，唯一改变的是 Harness 基建。更严格的约束，换来更多的自治能力，最终换来更高的可交付性。这条因果链，是对"换更强的模型就能解决问题"这种线性思维的直接反驳。

四、当人人都是程序员：协作关系的重构

AI 把代码生产能力普及给了所有人，协作问题随之而来。

一个真实案例：一位产品同学用 Vibe Coding 自己做出了需求，页面能看、流程能跑，然后不解，为什么研发还要排期几天？为什么不能直接给我仓库权限自己上线？

研发的评审结果是：能跑，但性能不达标、扩展性没考虑、存在权限安全问题。

这个案例的两面都要承认：一面，非工程角色把想法直接变成可交互的原型，沟通更直接、验证更快，这是真实的价值，不能一刀切地禁止；另一面，代码生成门槛的下降，不等于系统复杂度的下降。真实业务系统里，代码要嵌入既有架构、与存量模块协同、通过安全与性能的考验。

所以出路不是"谁写谁上线"，也不是"非工程师的代码一概不用"，而是建立统一的架构、规范和交付流程，让更多角色的产出汇入同一条工程河道，这正是治理（Governance）要解决的问题。

五、三条落地路径

围绕指标、治理、协作三个命题，一线团队的实践沉淀出三个方向：

• 原型驱动开发，替代文档驱动开发。 过去 PRD → 设计稿 → 技术方案 → 代码的链式流程，问题在文档阶段读起来都合理，做出来分歧才暴露。AI 把产品原型的制作成本打到极低，静态文档变成动态的、可交互的、与真实场景高度拟合的东西，所有人围着原型讨论和体验。连设计环节都在被重估，过去前端同学要花 60% 时间做视觉还原，未来设计师可以直接产出带代码的高保真原型。
• 系统化 AI Development：让 AI 进入全流程，而不是只写代码。 实践中常见的断层是：Coding 环节用 AI，其余环节还是传统流程、人工介入。解法是让 AI 基于 Context 编写 Spec，功能实现后通过 Browser Use 能力自动打开浏览器验证正确性、自动 Bugfix，确认无误后自动提交并发布上线。齿轮要嵌合，AI 必须钻进研发流程的每一道齿缝。
• 组织化建设：从个体超能力到团队基础设施。 早期 AI Coding 的红利集中在少数会写 Prompt、懂上下文管理、会拆任务、会验证结果的高水平个体身上。组织要做的是把这些个体实践沉淀为标准、工具和技能，最好的方式是产品化，把能力沉淀进工具里开放给全员共创。该大厂的 AI Coding 工具过去一年日均 Token 消耗达 5.6 万亿，同比增长 50 倍；用户结构也在泛化，越来越多非技术背景用户用它完成日常工作，泛办公场景的企业版能力也随之推出。

六、结语：瓶颈已经转移

这场实践复盘最值得记住的，是一个行业级的信号：

AI Coding 的瓶颈，已经从"模型能不能生成代码"，转移到"工程体系能不能接住生成的代码"。

代码贡献率、采纳率、生成量，这些第一代指标正在失效；正确率之外的可交付性五维：易用、可靠、可维护、兼容、性能，才是第二代度量体系的起点；而支撑这一切的 Harness 基建：上下文工程、架构约束、垃圾回收，正在成为企业 AI Coding 的分水岭。

模型能力会继续趋同，框架会不断换代，但工程基建的厚度，决定了 AI 生产力兑现的成色。对所有正在落地 AI Coding 的团队来说，真正的命题不是"用不用 AI"，而是：你的 Harness，准备好了吗？