9月22日，在云栖大会“Qoder 助力 AI Native 超级组织”分论坛现场，海信集团AI技术中心负责人曲栋带来主题演讲《从单点工具到任务闭环：海信AI原生开发实践》。
曲栋回顾了海信从 Copilot 到通义灵码、再到 Qoder 的三步选型历程：Qoder
引入一个月即达到近千人；需求对齐从“至少一周、3到4次会议”压缩到一天之内。他提出 Prompt、Harness、Loop、Graph 四阶段“叠加而非迭代”的认知框架，并给出真实提效账本：实践良好的项目端到端交付提升3到5倍、人力成本节约约50%以上，十年以上的老系统也能提效1.3到2倍。
以下是演讲全文：
尊敬的各位嘉宾、各位同行，大家下午好。
感谢主办方的邀请，来这里做 AI 原生开发的分享。我是来自海信集团AI技术中心的曲栋。
先抛一个问题：AI 代码写得越来越快、工具越来越强，协作效率是不是也跟着一起提升了？这几年工具发展很快，一个工程几分钟就能写出来；但和业务对齐、反复确认、迭代上线优化所花的时间，并没有缩短。
今天我的分享主题是“从单点工具到任务闭环”，重点分享：海信如何从工具引入、到平台建设、再到最终完成任务交付。
海信找的不是一个更好的工具，而是一个可复用的工程底座
先简单介绍一下海信的背景。
海信始于1969年，是一家全球性的跨国公司。从品牌矩阵可以看到，除了大家熟知的海信、容声、科龙这些家电产品，海信在光通信、芯片、车载空调和网络能源领域也有一定的建树。整个公司有六家上市公司，这就决定了做任何动作，都要考虑不同场景、不同公司、不同技术栈之间怎么协作。
从组织层面看，海信的全球研发和区域运营有“1+7”的运营中心，全球有32个研发中心，研发技术人员六千多人，分布在国内和海外。所以做工具选型和平台引入时，不能只考虑一个团队用得好，更要考虑全集团有没有可复制、可推广的打法和方法论。
海信找的不是一个更好的工具，而是一个可复用的标准工程底座、一个可治理的新开发范式。这也是后来评估 Qoder 这类产品、以及其他平台引入时要重点解决的问题。
下面是海信做 AI 原生、AI 提效的建设历程，也是今天分享的主线。海信起步比较早：2023年 GPT 刚出来时就开始引入智能编码，最开始用的是 Copilot。刚开始确实好用，按下 Tab 键就能把代码补齐。但真正向研发人员推广时，出现了不少问题：代码出境、安全、合规以及成本，导致在全球层面推不开。
2024年重新做了选型，当时对多家产品做了综合评测，通义灵码评测第一，基本在一周内完成了投产部署。随着 Copilot、Cursor 这类工具的推广，海信内部开始考虑面向全集团推一款更敏捷的工具。去年年底，经过严格的安全评测，海信引入了 Qoder。
Qoder 是海信内部推广最快的产品，大概一个月就推广了近千人。
随着今年系统化工程建设和端到端工程交付的推进，海信重点做工程建设，同时在内部找了很多试点项目，并行推进两个专项。真正想明白的是一件事：把“能不能用 AI 做更充分的提效”，改成了“有没有把 AI 放进整个研发交付链路里”。
AI原生交付全景图：以“细胞化组织”做交付
基于这个考虑，重新设计了整个 AI 原生交付的全景图：AI 进入生产环节之后怎么使用、怎么在全环节里提效、以及整个时间链路如何打开。按照从需求到交付的路径，基于新的 DevOps、新的 AI 原生交付形态，做了一套全链路设计。
第一，需求环节。最重要的是需求边界，可以用 Qoder 的产品去收敛，做成结构化的 PRD。
第二，设计环节。用 Spec 加开放规格的方式，产出可验收的规格。
第三，编码环节。靠 RepoWiki 和知识卡片提供上下文；测试环节用 Qoder CLI 加 Playwright 做自动化验证。
最后最关键的一个环节，是知识的沉淀。它在 AI 时代尤为重要：过去知识交给 Wiki，每个环节都层层损耗信息；现在把知识沉淀成一个个具体可执行的单元。
整个 AI 原生交付的链路梳理清楚之后，链路上的人和角色也在发生变化。我特别有感触：传统交互是从需求到开发再到测试的链路；在 AI 时代，交付需要所有角色都参与进来，更多以“细胞化组织”的方式完成。
整个环节里：产品经理用 Qoder 的产品输出新的验收标准；SE 技术经理确定方案和结合边界；产品、开发、测试统一以 Spec 为基准，确认生成内容；业务方用自然语言参与需求闭环；此外还有专门做 Harness 开发的工程师。
这样做的效果比较明显：通过角色和分工的对齐、对每个角色产出物的重新设定，可以看到——过去一个需求从提出到进入编码环节，也就是需求对齐环节，至少需要一周时间、3到4次会议才能拉通；现在从 PRD 生成、PRD 门禁核验到 Spec 生成全部自动化，人只需要在关键节点做判断。整个时间可以缩短到一天内。
工程演变的四个阶段：是叠加，不是迭代
这一页是我今天最想分享的认知框架：有了这些工具和角色的变化，协作范式也在随之改变。工程演变有四个阶段，每个阶段解决的问题都不一样。
第一，Prompt 工程。最开始用 AI 工具做的第一件事就是它，只解决了“到底能不能用 AI 做开发提效”的问题。
第二，Harness 工程，也是现在重点在做的阶段。通过 Harness 工程的引入，让 AI 的输出和交付能够稳定地达到可以上生产的要求。
第三，Loop 工程。它看的是智能体在流程交付之后，能不能输出一条完整、可闭环的链路，而不是只在点上做辅助
第四，Graph 工程。最后要解决的是多个任务、多个角色的自动协调与自动编排。
当然要重点说明的是，这四个阶段不是迭代演进的关系，而是叠加的关系。海信目前正处在从 Loop 工程向 Graph 工程过渡的阶段；Loop 已经在很多生产环境中常态化运行，一些先锋项目基于 Graph 在做 SDLC 全流程提效。
还要说明一点：四个阶段看起来是递进的关系，但每个阶段都需要探索这个阶段的最佳实践和最佳产出；如果前面没有 Harness 工程化的规范，Loop 不可能自动跑起来。跑不稳，也谈不上做 Graph，可能只是徒有其表。
Harness工程：把分散的知识变成AI可执行的资产
先说 Harness 阶段。这一层是海信投入最大、也最为关键的一层。
左边这四条，是企业在研发领域做知识沉淀的典型问题：信息结构不利于机器执行；上下文分散，规范没有形成执行标准；很多经验无法沉淀。基于这些问题，Harness 要做的就是把分散的知识和规范一步步变成资产，变成 AI 智能体可以理解、可以执行、可以被约束、可以被引用的上下文。它也是整个演进阶段里最关键的一环，因为 AI 生成的质量、以及能不能用到生产里，主要靠知识的供给。
在海信，这一层主要分几个部分来建设。
首先，知识治理体系。把工程里用到的设计文档、测试用例、软件规范都纳入代码仓，让 AI 和开发者共享同一个事实语言；用 Rules 和 Skills 把规范变成可执行的约束护栏；再用 AI 审查和 AI 结果做可观测和反馈。Qoder 在这里提供了 RepoWiki、Rules、Skills、MCP 这些原生接口，让知识、规范和护栏能够有效承载，并被智能体直接调用。
我认为，想把 AI 原生开发真正落地的同行，这一层一定不能跳过，地基一定要打扎实。规范写得越清楚、越明确，后面的 Loop 和 Graph 才能真正跑起来。
Loop工程：人在关键环节做门禁的闸口
Harness 把整个交付的规范和交付约束稳定之后，下一步就是端到端地把完整需求闭环跑通。
单次研发质量有了保障，但端到端把一个完整的需求闭环跑通，仍然会面临任务断裂、质量控制、以及协作依赖大量人工反复沟通的问题。所以在海信构建 Loop 工程时，我更强调：人在关键环节做门禁的闸口。
整个 AI 自动化生成——包括测试、评审、修复——是一个完整的闭环；AI 只在约束条件内运行，人只做关键环节的卡控。同时，为了不让 AI 的执行结果失控，还重新定义了四个要素——有据、有据可查、有档、有描述——再加上柔性的熔断机制，让研发流程真正循环起来。
Graph工程：把交付全流程变成可恢复、可停机的节点图
接下来分享的，是海信正在探索的事情：Loop 虽然保证了单个流程的稳定，但解决不了跨多个任务、多个角色的大型复杂系统交付。这正是 Graph 工程要重点解决的问题。
它把整个软件交付的全流程，变成一张可以恢复、可以停机的节点图；人只在输入、输出两个关键环节做把控，AI 在全链路自动运行。
整个流程从左到右分布了五个节点：需求环节由人做最终决策；方案拆解由 Graph 自动编排；编码环节由多个数字员工、多个 Worker 并行；测试环节由独立验收器做验证；最终交付有 Review 门禁。
海信现在有一个做得比较好的探索：用阿里云开源的一个编排工具，把整个 Graph 跑了起来。在它里面，需求产生的节点可以同时派给不同的数字员工执行；再通过 Event、Spec、门禁这三个记录本，记录每个节点进入的条件、产出的证据和关闭的结论。这样才能做到：流程中断可以继续跑，失败可以快速定位、定点重新执行。
最后分享一下目前 Graph 工程里抽象出的三层架构。为什么会有这个三层架构：如果只是单一的工具引入，前面也说过，整个研发链路可能还是散的，各团队之间彼此割裂，经验沉淀不下来；如果只有最上面的平台层，企业没有 Harness 工程做规范约束，就缺少质量护栏和风险控制。所以三横缺一不可。
第一，L1 工具层。主要由 Qoder 提供，包括 Quest、RepoWiki、Memory、Rules、Skills、MCP 这些最基础的原子能力。
第二，L2 企业层。是海信内部沉淀下来的大量 Harness 工程实践，用来保证质量。
第三，平台层。通过平台承载数字员工、SDLC 和派单流转。
我认为，这个三层架构对海信最大的意义是：既能让 AI 大规模跑起来，又能保证它不越过治理边界。这也是让 AI 真正进入生产、提高交付效率的前提。
提效账本：3到5倍提升的背后，是整个链路的压缩
最后，说一下提效的情况。
海信的架构里同样有很多老系统、老架构。做新项目改造、以及 Loop 或 Graph 实践比较好的项目，端到端交付可以提升3到5倍，人力成本节约50%以上；针对一些特别老的系统——有些系统搭建十年以上、框架也比较老——基于 Harness 的工程实践，也至少有1.3到2倍的提效。
这些数字背后的意义，不是一段代码写得更快，而是整个链路的压缩：从需求对齐到代码交付，释放出来的人力投入到关键的评审和决策上。不同项目组的收益差别比较大：复杂的、跨系统的改造，需要投入更多精力做 Harness 工程的治理和规范约束。
以上就是我今天的分享。
从工具到平台、从平台到范式，是目前整个 AI 原生开发实践的一条必由之路。
也希望之后能和大家有更多的交流，谢谢。
