9 月 22 日，在云栖大会现场，阿里巴巴 ATH 事业群 Qoder 产品负责人张燎原带来主题演讲《把 Agentic Coding 装进组织，Qoder 助力企业向 AI Native 组织的进化》。
过去一年，Qoder 从通义灵码品牌升级而来，已服务全球超过 800 万开发者。张燎原在演讲中分享了 Qoder 在产品定位、交互形态、人机协作与企业落地方面的思考，并首次系统阐述了 Qoder 如何帮助企业完成从工具使用到组织进化的跨越。
以下是演讲全文：
尊敬的各位嘉宾、各位专家、各位开发者，大家下午好。
很荣幸再次来到云栖大会与大家交流。刚才还在开玩笑说，如果演讲的同学讲得不够精彩，台下一定都在低头看手机。所以为了让各位不低头看手机，我一定加倍努力。今天，我主要跟大家汇报三件事：Qoder 的产品定位、产品设计背后的思考，以及企业在落地 AI Coding 时真正需要解决什么问题。
我的演讲，更多是今天下午这个会场所有话题的一个大纲，后面会由我们的同事及伙伴专家，带来更具体的分享及实践案例。今天是来分享我们怎么思考、怎么落地、怎么解决现实中的问题。希望对大家有所帮助。
从通义灵码到 Qoder：我们看到的三个变化
在做 Qoder 之前，我们已经做了两三年通义灵码这个智能编码产品。去年，我们重新设计了这款产品，并将品牌升级为 Qoder。到目前为止，Qoder 已经服务超过 800 万开发者。
在这么大规模的使用过程中，我们发现有几件事在持续发生变化。
第一，AI Coding的参与者发生了变化。早期用 Qoder 的人几乎都是专业程序员。但今天，Qoder 的用户里已经有超过30%不再是专业开发者一一他们可能是产品经理、设计师，也可能是我们身边的非IT 从业者，拿起 Qoder，用软件的方式解决自己的问题。
第二，Al Coding的工作对象发生了变化。以前大家用 Qoder，主要是代码补全、深入编码；但现在，超过 50% 的任务已经和「写代码」没有直接关系。所有工作都围绕「事儿，即任务」展开一一拉个群、组织一个项目、完成一次交付，都是为了一个事儿。Coding 正在从一种专业技能，变成数字世界的通用能力，AI Coding的工作对象也从代码工程泛化为更多类型的任务。
第三，AI Coding 的工作方式发生了变化。80% 的用户已经不再依赖逐行补全，而是把任务交给智能体完成。智能体可能只改一个文件，也可能重构整个系统一一编程方式正在从「手写」走向「委派」。
这三点指向同一个判断：用户的注意力正在持续上移，AI Coding 正在走向普惠。也正因如此，Qoder 的产品形态升级成为一种必然。
全新定位：Agentic Coding Platform for Everyone
基于这样的趋势，我们为 Qoder 带来了一个全新定位 —— Agentic Coding Platform for Everyone。
这里的 Everyone，指的是所有能用软件解决实际问题的人。他可能是一个专业程序员，也可能是其他职能，或者是旁边工位的财务小姐姐，用AI的方式解决数据分析的问题。
在这次升级中，我们关注三点：
更简约的交互形态。用户的抽象层次已经足够高一一从关注符号语言，到用自然语言描述目标。产品要针对不同用户，提供更贴合其习惯的交互方式，门槛尽可能低。目前我们提供了两种模式：
• 编程模式：面向专业开发者，把Git、Git Worktree、Browser Use、代码审查等专业能力做到触手可及。
• 通用模式：显著降低上手门槛，不需要掌握太多编程概念，也能开始完成一个具体任务。
更新颖的协作方式。随着智能体能力增强，人与智能体、智能体与智能体之间的协作也在升级：智能体可以并行执行任务、跨对话与跨工程协同，也可以通过 Agent Team 围绕同一个任务目标协同。我们还在思考多智能体的跨端协同，这对我们尤其重要。
更强大的 Harness。Harness 是构建 Agent 的一套框架与约束，这个词从去年开始火起来。今年我们把 Harness 能力大幅提升：支持多模型策略，并与 Qwen 模型联合优化，把它推向极致。Qoder 的所有产品形态都基于同一套 Harness 构建，这也是我们产品迭代速度较快的原因之一。
Qoder 能力边界持续延伸
Qoder 的能力在持续提升，主要体现在两个方面。
从 Coding覆盖到软件全生命周期。要从头到尾完成一件事，只有Coding 能力是不够的：怎么澄清需求、怎么遵循历史架构、怎么验证，同样重要。从0到1写一段代码，对普通人来说已经很简单；但怎么把软件从1做到60、再从60做到100，是很有挑战的。Qoder 关注的不只是代码实现，而是向前、向后各多看两步，让端到端的 SDLC 任务更容易完成。
目标驱动的多智能体协同。我们给一个目标、多个智能体，它们能不能围绕这个目标协作完成？这里面涉及很多问题：目标的遵循能力、执行轮次的成本控制、验证手段与失败兜底策略。上半年行业里出现了不少类似 Agent Swarm 的特性，我们也在IDE 上推出了 Agent Experts，很受欢迎。但多智能体协作一旦缺少约束，实际执行成本会很高一一更值得我们回答的是，如何以更低的 Token消耗，实现高效协同。
围绕这些方向，我们在产品上做了大量技术升级：任务一次完成率从 36% 提升到 65%，单任务会话轮次从 3.5 降到 2.5。
Qoder 是 AI Coding 的主入口
还有一个很大的变化：使用 Qoder 的入口变了。
今天，Qoder 拥有三种形态：工作台、IDE与CLl。Qoder 的桌面应用是主入口，用户一进来，就能像聊天一样问一个问题、发起一个任务，这种形态对任何人都特别容易上手。
当任务涉及代码时，又能自然切换到IDE 工作模式。专业程序员需要调试、深入排查问题、做Code Review,IDE 形态依然保留右侧 Chat Panel，同时共享同一套 Harness 能力，智能体、多智能体等能力都会继承。而对偏极客的用户，如果想把它变成一个自动化Loop、让任务自动跑起来，就需要CLI这样的形态。所以三种形态面向的对象不同：工作台面向任务、IDE 面向代码、CLI 面向工作流。我们希望把最合适的形态带给用户，但底层必须有一套统一的账号体系和 Harness 平台支撑。
交互演进：语音和Computer Use
当产品能力可以面向具体任务，人的交互方式也发生了比较大的变化。
当对话成为人向智能体委派任务的主要形式，语音对话就成了一种更便捷的交互方式。乔布斯曾说手指是最好的交互设备；同理，在语言输入这件事上，说话无疑是更自然的形态。所以我们引入了语音对话：无论在桌面应用还是 Mobile 上，都能用语音加快输入，语音会转化为任务目标，再由 Qoder 执行。
如果说语音是人与智能体之间的交互方式，那么智能体与电脑之间的交互方式就是 Computer Use。通过 Computer Use，智能体可以接管操作电脑，甚至跨多个应用组成Workflow—一操作完 A应用之后，用 A 的输出判断是否去操作 B。这是一套全新的交互方式。
与用户共同成长的工作台
好用的智能体产品，不应该让用户去学习如何使用；同时，我们希望 Qoder 越来越贴合用户的使用习惯和场景。
能力可扩展。通过扩展 Plugin、Skills 及链接器，用户可以根据自己的工作场景来定义自己的工作台。我们提供了 150 多个连接器、70 多个插件、2万多个精选技能，用户想做一件事，几乎都能找到现成的技能，无需从头搭建。
形态可定制。Qoder 能读懂自己：有哪些模型、多少额度、上下文窗口多大、自身功能与状态如何，从而在执行时权衡成本、时间、效果与体验，选择最优模式一—Auto 模式正体现了这样的智能；它也能把历史任务沉淀为技能，在需要时自动发现、自动使用；还能自适应地定制专属工作台，模型、技能与界面随需而变。
意识可进化。当智能体拥有完整的长短期记忆，再加上判断力，就有了「意识」，能够自主建议、自主行动。也许有一天，你桌面上的小鸭子突然张开嘴说：「你是不是忘了做另外一件事？」这种 Proactive Autonomous 的智能体形态，就会自然涌现出来。
企业落地：最大的成本不在技术，而在组织
在Al时代，软件研发的时钟已被重写：迭代周期从以「月」「周」为单位，压缩到以「天」为单位，每一个灵感都能以极低成本快速试错。但与此同时，企业落地AI 的速度，与AI能力发展的速度之间，存在巨大的差距。换句话说，AI的能力已经跑在前面，组织还没有跟上。这个差距，才是企业落地 AI真正要解决的问题，也是最难的部分一一它不在技术，而在组织。
那么，企业落地AI 到底该怎么做？我从组织资产、协作模式与 AI 治理三个层面做了总结。
重新定义组织资产：让知识成为可执行的资产
小时候我常去长辈单位玩，那里有很多纸，我可以随便折飞机。后来我才知道，那些纸其实是每个项目留下的档案资料，但从来没有人发现少了一张一一它被我折成了纸飞机。这样的东西，要用专门的柜子保存、专人维护，却始终用不起来一一它是资产，还是负债？
我认为，只有能用起来的东西，才是真正的资产。
为此，Qoder 在底层构建了一套组织共享的工程知识引擎，用它织成一张完整的知识网络。基于这套能力，我们推出了企业级知识库 RepoWiki与企业级共享知识库，把组织的私域知识盘活起来；再结合企业级共享 Skill，让专家的能力沉淀为组织资产。这样，静态资料就变成了可执行的组织资产。当知识可以被检索、被复用、被执行，新人和团队就不必再从零开始一一组织的经验第一次真正沉淀下来，而不是随着人员流动而流失。
如果说共享生产资料能显著提升生产效率，那么把数字人能力一—QoderWake 交给企业，就能让 AI 真正进入企业的作业流。通过 QoderWake，企业可以定义自己的数字人，提升数字员工在团队中的占比。
重新定义协作模式：让人不再做智能体的搬运工
今天，越来越值钱的不是 Coding能力，而是驾驭能力，以及对架构的理解能力。大家更关注智能体的规模和工具链的深度：以前考虑的是技术深度，现在考虑的是整体设计一一能不能可持续、可演进，结果能不能被验收。
传统软件研发是面向交付的跨职能团队交接；敏捷时代是跨职能特性团队；而现在，所有角色都叫「Builders」，每人再配备一定规模的智能体，就能完成软件交付。最早大家都叫程序员，没有前端、后端之分，是专业分工的比较优势让角色越来越细；而当知识不再稀缺，角色又逐渐融合。绝大多数团队都在按面向 Feature、面向目标的方式组建，几个人加上智能体，就能完成研发。
协作方式也在变化。以前是一群人在会议室或聊天群里讨论出结果，再通过对话把任务交代给智能体执行一一人成了知识的「搬运工」，把上下文从 A 智能体搬到 B 智能体。
而现在，是把人和智能体拉进同一个 Discussion：大家一起讨论、形成结论，智能体基于上下文中的结论去执行，最后由人确认结果。上下文就在任务现场，人和模型共享目标、共享上下文一一这也是我们昨天发布 Discussion 能力的初衷。
我们希望，讨论历史与资产都沉淀在任务上，让人不再做智能体的搬运工。对组织来说，协作以任务为中心：目标、上下文与结论都留在任务上，新人或新的智能体加入时，能立刻进入状态。
如果说优化人与智能体的协作能提升组织效率，那么对组织而言，还有一条路径是在已有业务系统之上接入智能体能力，完成存量系统的智能化改造。为此我们提供了 Qoder Agent SDK： 基于SDK，企业可以构建属于自己的智能体桌面应用或 Web 应用。接入方式很简单，调接口、读懂帮助文档即可一一而读懂帮助文档这件事，同样可以交给 Al。
提升 AI 治理水平：把安全前置到生成过程
最后一个很重要的话题，是 AI 治理。
JetBrains最新的调查问卷显示，到2026年上半年，已有90%的企业在使用 Al Coding 能力 —— AI Coding 已经从一个可选项变成了必选项。但与此同时，随着 AI 使用的深入，尤其在 AI Coding 领域，AI 带来的安全风险也在持续上升：生成的代码越来越多，代码安全问题也越发严重。
传统的安全扫描，是在发布前用 Black Duck 这类工具做代码安全扫描，风险是后置的。但安全和质量是有成本的，越到后面成本越高。
一个多月前，我们发布了「Qoder Security」，把安全识别放到代码生成过程中，从 L1 到 L4 分四层发现问题。上线以来，累计发起安全扫描 180 万次，发现并修复高危漏洞 5.8 万个。我们追求的从来不是发现的问题越多越好，而是高危问题发现得越多越好、并且都能被修掉。
除了代码安全，智能体平台安全同样至关重要。在 Qoder 的平台能力上，我们主要从四个方面建设：
• 身份可信：统一企业身份，权限跟随组织角色
• 模型可信：仓库密级决定模型范围，敏感推理过程可保护
• 数据可信：数据流转边界可定义，处理过程可隔离
• 运行可信：Agent 动作可约束，风险操作需确认
但对大多数企业来说，自建一套安全的智能体平台层成本不菲。为此我们提供了 Qoder Cloud Agents，以一套灵活、安全的能力，让 Agents 从 Demo 直接进入生产。Qoder 自身的云端智能体任务就构建在这套能力之上，企业也可以用同样的环境构建自己的智能体。
最近发布的 Sites 能力也是如此一一如果 Sites 里跑的是一个智能体应用，它背后的运行环境就是 Qoder Cloud Agents.
对企业而言，治理能力的意义在于：AI用得越多、越深，风险反而越可控一一这决定了AI能不能真正走进生产环境。
组织资产、协作模式与治理水平，共同决定了一家企业在 AI上能走多快、走多稳。
One Team, One Qoder
Qoder是一套完整的产品体系。我们要解决的，是从应用层到 Harness 再到模型层的端到端优化。
Qoder 是任务的主入口，把其他所有产品串联起来。
我们的底层是统一的 Harness，也就是 Agent SDK。基于它，每一个优化点都能作用于所有产品；Harness 也在丰富多样的任务场景中与产品共同进化。
Harness 与模型：Qoder 要做千问模型的最佳 Harness。我们与 Qwen 联合调优，在保证任务执行效果的同时，以更低的成本、更快的速度，交付更多、更高质量的任务。
最终，我们希望一个团队只需要一个 Qoder。
