导读：亚信科技深耕通信行业 30 余年，面临核心系统复杂、海量知识难以复用的挑战。通过引入 Qoder，将隐性专家经验转化为显性团队能力，构建 Agent 协同范式，实现近万名研发人员规模化 AI Coding 转型与效率提升。
文/杜志强
当AI Coding 从程序员的辅助工具演变为重构研发体系的核心力量，当“人均 AI 助手”从口号变为研发团队的日常，中国软件产业的 AI 化进程，正在悄然越过一个新的分水岭。
但 AI 带来的改变，不仅仅是写代码更快一点。代码层面的提效只是序章，真正的深层变革，是软件研发与应用范式的整体性重构，是向 AI Native 的代际跃迁。这意味着改变不是在原有软件架构上叠加 AI 功能的局部优化，而是以通用人工智能为核心根基，重新定义软件的基础设施、开发方式与应用形态——软件产业正在从 “人驱动代码”的旧时代，步入“智能体驱动系统”的新阶段。
与此同时，尤其是对于大型研发企业来说，转型往往意味着大象转身，对于通信这样的行业来说，更是有着高度的复杂性和碎片性，让全员 AI Coding 听起来更像口号。
深耕通信行业三十余年，亚信科技拥有近万名研发人员。作为国内最早一批推动全员 AI Coding 的大型软 件企业，亚信在阿里云全链路 AI 研发能力的支撑下，从一线工程师到架构师，几乎都在和 Agent 协同工作，完成了一场万人研发团队的平稳转型，摸索出一套 AI Native 的可行方法论。
AI，重新组织生产关系
2022 年底 ChatGPT 的横空出世，不仅开启了 AI 大模型对全产业的变革时代，更触发了从业者对软件未来形态的深层思考。当时，亚信科技数据智能首席架构师朱军和团队反复讨论一个问题：未来的应用软件，最终会长成什么样？
思考过后，他给出了一个清晰而坚定的答案：Cloud Native 一定会走向 AI Native。这不是赶技术风口的跟风判断，而是行业现实压力与技术演进规律共同作用的必然结果。
转型的原动力，首先来自真实的业务痛点。亚信首先面临的是存量基本盘的压力。运营商正处于从传统通信服务向数字化服务转型的关键期，对软件服务商提出了更高要求：既要保证亿万级用户系统的绝对稳定，又要快速响应层出不穷的新业务需求。
与此同时，增量创新上，行业数字化转型浪潮下，亚信也在积极开辟第二增长曲线。创新业务的核心诉求是快速试错、快速验证，而传统团队配置模式周期长、成本高，难以支撑快速试错的创新需求。
更关键的是，上万人的研发团队，传统管理手段与工具体系，已经很难再带来显著的效率突破，必须寻找新的生产力支点，从而提升效率去做出更多的创新业务。哪怕只提升 5% 到 10%，都是巨大的收益，这是一笔可以算得过来的账。
正是基于“效率瓶颈必须破局、技术趋势不可逆转”的双重判断，亚信将 AI Native 确立为明确的战略方向。
在朱军看来，真正的 AI Native 是以通用人工智能 AGI 为核心根基的全新软件范式，以人机智慧共生为愿景，构建能适应环境并自演进的数字智能体系统的方法论和技术体系。它不是 Cloud Native 的局部优化，而是底层逻辑的全面代际跃迁，二者的差异体现在三个核心层面：一是基础设施变了，从以容器为核心的 PaaS，转向以大模型为核心的 MaaS；二是开发方式变了，从 DevOps 走向 AI Engineering，从人写代码变成驾驭 Agent 写代码；三是应用范式变了，SaaS 软件走向 Agent 智能体，背后由“业务本体知识 + 数字孪生 + 智能体”这三驾马车共同支撑。
亚信科技认为，AI Native 未来数智世界的本质是对波普尔三个世界的数字化和智能化，通过实现对三个世界的数字化建模、映射与再造，基于数字智能所需要的全部要素，最终形成人机智慧共生的生态系统，推动人类文明迈向新的阶段。
最头疼的，从来不是写代码
判断清楚方向后，亚信把“AI First”注入了每一项工作细节，先从基础大模型 +RAG，将企业自有代码、文档喂入模型，而后引入 Qoder。
但亚信的转型，不是轻装上阵的创业实验，而是背着沉重历史包袱的大象转身。通信行业的特殊性，决定了其 AI Native 之路充满多样挑战。
从业务层面来看，运营商的 BSS(业务支撑系统)和 OSS(运营支撑系统)项目在亚信科技业务版图中占比较高。这样的 IT 系统有两个突出特征，一是系统历史包袱重，极度复杂。从 2G 到 5G，老业务没下线，新老业务逻辑交织，模块间耦合度高，“牵一发而动全身”，研发与维护难度极大。二是知识极度沉淀、人员上手慢：三十年积累的工程经验、文档和数以百万计的历史代码散落在资深专家的脑海或不同步的系统中。传统的“传帮带”模式效率低下，新员工熟悉单一模块往往需要耗费数月时间，难以满足快速迭代的需求。
谈及转型中的特殊困境，朱军表示，最让人头疼的，从来不是写代码，而是知识沉淀。引入 Agent 之后，问题更直接——硅基员工和碳基员工要协同，它们也得“看得懂”系统。
另外，近万人的研发体量，决定了亚信的转型绝不是少数技术先锋的试验，而是一场涉及组织、流程、文化的系统性变革。作为服务运营商的企业，安全是不可逾越的红线。运营商系统涉及亿万用户的个人信息与通信数据，安全等级要求极高。引入 AI 研发工具，且规模化落地，安全是第一准入条件。
打通 AI Native 范式路径
把三十年的行业积累，从老专家经验中提炼出来，不是一件易事，也正因为技术与行业演进融合的特殊性，亚信提出了构建 AI Native 的四大工程范式，实现从数据到应用的智能升级。
一是数据语义化。这是连接数据与业务的桥梁，将业务数据、逻辑和动作统一建模，让智能体在语义层面 以结构化的方式理解业务实际并进行推理。具体来看，数据语义化通过 RDF(Resource Description Framework，资源描述框架) 三元组将孤立的“数据”转换为“信息”，并通过本体语义(Web Ontology Language，OWL)为其赋予逻辑规则和约束，使其可推理、可计算，本体知识为智能体提供一个具有描述性语义的业务世界知识，构建智能体核心认知框架。
二是业务本体化。通过构建本体孪生，为智能体提供一个具有操作性语义的业务世界模型，它采用完整的、可理解、可预测的动态约束保障执行一致性，构建系统行动框架。
三是应用智能体化。从 AI Agent 到 Agentic AI，后者是立足于 AI Native 的应用范式，以多智能体 Multi- Agent 为核心技术，通过具有统一语义的业务本体知识驱动业务本体孪生的数字化系统。
四是 AI 工程化。从过去软件视角迁移到以 AI Agent 及其运行环境为载体融合的工程管理范式，从 AI Agent 全生命周期和业务仿真孪生系统视角，整体考虑全面技术栈和相关组件的演进优化和不断升级，加速智能体驱动的研发工程管理与创新流程。
基于这一工程范式体系，亚信在最近三年时间里做了多次尝试，但起初的效果并不怎么好，直到后来全面引入 Qoder，能力边界从“代码补全”，一步步扩展到需求、设计、测试、缺陷修复，逐步撑起一个完整的数字化研发团队。
值得一提的是，在反复试错与验证中，朱军总结出三条选型“铁律”：首先，看基模的持续投入，这家公司在软件工程方向上是不是真砸钱、是不是越做越快——这决定了你买到的是不是一辆能持续升级的车；然后看配套环境，不只是模型，还要能适配你的组织、流程、规范，能够灵活配置；还要看安全底座，模型本身可信、运行环境可信，对运营商这种客户来说是入场券。
而阿里云正是亚信在这三条标准下的最终选择。
为解决知识沉淀难题，亚信把业务的本体知识(Ontology Knowledge)真正“结构化”地存起来，人能读、 Agent 也能读，达成共识。利用 Qoder 的知识引擎，亚信构建了企业级知识库，这不是再做一个 RAG，而是通过 AI 自动提取与维护：不再依赖资深工程师手工建库，从代码里自动抽取规范、API 资产、架构特征，再把日常对话沉淀为知识卡片。同时，把长文档拆成 小卡片，配混合检索，让 Agent 能像翻笔记一样快速命中。老专家往代码库里灌一份知识，整支团队都能共享。
如此一来，不仅减少重复踩坑，让经验持久化，下次直接调用；而且会提升回答精度，每次对话都比上一次更懂项目；此外，还能通过预构建知识减少重复检索，降低 Credit 消耗。
例如，某通信运营商全光网络产品营销，存在专家经验固化难、建模流程复杂、营销话术单一等问题。通过引入数智本体 + 大模型、提升营销模型迭代效率，输出客户差异化营销方案，显著提升营销效果，营销转化率从1.2% 提升到 3.1%，营销方案采纳率从 4.9% 提升到 10.5%。
在业务本体化过程中，要实现用本体知识的规则去约束本体孪生的边界，实现业务本体的一体两面，就要在项目级别定义编码规范和约束条件，让 AI 在生成代码时自动遵循。规则会被自动注入到每次对话的系统提示词中，确保输出一致性。
在这个过程中，Qoder 编码规范推动了本体孪生规范从“文档要求”走向“生成即合规”。通过“规范梳理 - 规则转化 - 场景落地”闭环建设，实现编码规范智能化执行，全面提升代码质量、研发效率与工程治理能力，规范符合率从 60% 提升到 95%，输出一致性显著增强，重复校验有效减少。
例如，某专网核心网，存在故障定位依赖专家经验、规则库覆盖有限、定位效率低下的问题。引入本体 + 大模型技术，构建了故障关联推理体系，实现了故障的智能溯源与自动定位，扩展了支持智能定位的范围，定位准确率提升超 20%，故障定位时长降低超 50%。
不仅如此，针对复杂系统的研发任务，亚信科技利用 Qoder 构建了多 Agent 并发协同的全新工作模式，把复杂业务，拆给一群 Agent 并发去做，重构研发生产关系。
比如在缺陷修复场景中，首先由人类架构师利用 Spec 规范清晰定义模块边界、接口契约以及不同 Agent 的角色约束；之后将复杂的业务需求拆解给缺陷定位、修复、验证等多个 Agent 并发执行，Agent 之间共享上下文并互相协同，最后在架构层进行合成。 而且，通过不断将约束、经验、代码上下文和架构知识注入流程，将持续提升 AI Agent 在复杂场景下的准确率和成功率，让人类工程师聚焦于决策、驾驭和改进。
朱军回忆称，“我们在缺陷修复这个确定性场景中反复打磨过这套流程。最早把日志、用户反馈一股脑丢 给 AI，准确率并不高。后来逐步加入约束、经验、代码上下文、架构知识、角色边界等，成功率也一路爬 上来。”
共创智能体互联网
亚信科技三年 AI Coding 的转型实践，不仅完成了自身的效率升级，更沉淀出一套可复制的企业级 AI Native 转型方法论。
据朱军透露的数据，目前 AI 在核心 BSS 系统覆盖率整体达到 80% 左右；在千人规模的运营团队中，月活跃率在稳定 90% 以上；助力人均代码产出提升约 14.6%，从需求到测试的端到端全流程平均提效 8.6%。
作为国内最早实现万人规模 AI Coding 落地的企业之 一，亚信的经验对众多正在观望的传统软件企业具有重要参考价值。
朱军总结为三条建议：第一，模型选型决定上限：基模能力是地基，没有持续投入的基模，没法走远；第 二，把 Agent 当新员工管理：你要给它岗位、配环境、定边界、做评估，而非“装个工具”那么简单；第三， 靠数据驱动飞轮：不看数据就没法知道下一代模型来了之后，自己的流程哪里要改、哪里要进。
现在，不止于 AI Coding，亚信还与阿里云合作，将目光投向了智能体互联网。在朱军看来，未来的商业体系中，每个企业、每个系统都会拥有自己的智能体。“我的 Agent 替我买，你的 Agent 替你卖。Agent 与 Agent之间的自动协作，这会是一个全新的应用范式。”
朱军强调，这背后的计费、协议、信任体系，必须要像 Qoder“自己开发自己”那样快速迭代 - 产品经理画原型，设计直接代码化；新功能开发走 Spec 模式；Bug 提交后自动打包环境与日志给 Agent，Agent 自动复现、修复、验证；集成测试、回归测试，能交给 Agent 的全部交出去；人保留的，是决策、驾驭和改进。
在应用范式之外，亚信也开始做对应的产品形态。Qoder 最新推出的 Qoder Wake，把 Agent 跑在一台 台独立的电脑上，让缺陷定位、缺陷修复、最终测试三个 Agent 共享上下文、互相协同，这也让亚信看到了数字员工的雏形。
朱军说乔布斯有句话让他印象深刻 -Technology Alone Is Not Enough。在他看来，AI Coding 给了我们一个机会：把人从重复劳动中释放出来，去做更有品位、更有创造力的事情。你的搭档，从此不只是碳基同事，还有一群和你一起进化的数字伙伴。
