2026 年 QCon 上海大会上，小红书客户端基础技术负责人杨凯会聊一聊 AI Coding 在大型客户端工程里的落地经验，主题叫“从通才模型到专才 Agent”。他所在团队践行的这套思路，建立在拆解、隔离、约束、感知四项原则之上，目标是让 AI 能直接根据需求文档和设计稿，产出 Android、iOS、鸿蒙等多端可运行代码。如果你也在琢磨怎么用 AI 给研发提效，这场分享值得一听。
一个 Agent 为什么撑不起大型工程？
杨凯在做技术调研时发现，单 Agent 处理大型客户端工程，普遍会撞上三个瓶颈：上下文膨胀、目标漂移、工程约束缺失。说白了，Agent 开头还能照着需求写代码，但代码量一上来，它就容易忘了前面说过的话，甚至自己“脑补”出不符合工程规范的实现。这种状态的 AI Coding，做做演示还行，一进真实项目立马露馅。
- 上下文膨胀：大型工程动辄几十万行代码，Agent 的上下文窗口装不下，只能“盲人摸象”。
- 目标漂移：对话轮次一多，Agent 就慢慢偏离原始需求，自作主张加功能、改接口。
- 工程约束缺失：团队的分层规范、命名规则、依赖管理，Agent 完全不了解，生成的代码很难直接合入。
这三个瓶颈，归根结底，是把 AI 当成一个“通才”去应付所有问题。就像一个实习生被扔去独自负责整个 App 的功能迭代，不崩溃才怪。
四项原则：拆解、隔离、约束、感知
为了解决这些问题，杨凯团队换了个思路：别让一个 Agent 包揽所有事，而是把复杂任务拆成小块，每个 Agent 只负责一个明确子任务，再靠机制让它们协同工作。
- 拆解：把需求文档和设计稿拆成独立功能模块，每个模块交给专用 Agent 负责。
- 隔离：不同 Agent 的上下文互不干扰，避免信息膨胀。
- 约束：把工程规范、接口定义、代码风格写进 Agent 的提示词或校验逻辑里，强制遵守。
- 感知：借助运行时反馈、编译报错、测试结果等信号，让 Agent 实时调整自己的输出。
这四项原则叠加起来，AI Coding 就不再只是“写一段代码”，而是“交付一个可运行的功能”。目前这套流程已经在小红书客户端的部分场景落地，目标直指从需求文档和设计稿直接生成 Android、iOS、鸿蒙等多端可运行代码。
四个关键技术：Context Engineering、Agent Harness、多 Agent 协同、Runtime Feedback
这次分享的重点，会落在几个关键技术实践上。
Context Engineering 是降低上下文复杂度的核心手段。简单说，就是只给 Agent 喂它真正需要的信息，比如相关的接口定义、最近改动的文件、目标代码的 AST 片段，而不是把整个仓库全塞给它。既能明显减少 Token 消耗，也能少一些噪声干扰。
Agent Harness 是运行和管理 Agent 的基础设施。你可以把它理解成给 AI 配了一套完整的“工作台”，负责任务调度、状态管理、工具调用、安全控制这些事。有了 Harness，Agent 才有能力稳定跑完长链路任务。
多 Agent 协同，就是拆解原则的具体落地。不同 Agent 分别负责需求理解、代码生成、测试验证、缺陷修复等环节，彼此通过结构化协议沟通，而不是靠一段自然语言来回传话，这样能减少目标漂移。
Runtime Feedback，是为了让 Agent 真正看懂运行结果。每次生成代码后，跑一轮编译或单元测试，把错误堆栈和测试报告反馈给 Agent，让它自己修，直到通过。这样一来，AI Coding 就不是静态生成，而是带“试错”能力的闭环。
实践中的痛点：离终极形态还远
虽然方案已经跑通了，但杨凯也直言，离完美还很远。最直接的痛点，是前置的产品需求必须讲得非常清楚。AI 不像人，没法自己脑补模糊的描述，一遇到“这里优化一下”这种需求，它就懵了。
另外，Token 消耗量也还得继续压。上下文隔离虽然做了，但多 Agent 协同带来的额外调用成本依然不低。在小红书这种体量的项目里，效果也还有优化空间。换句话说，AI Coding 想真正成为工程标配，还有很长的路要走。
对企业来说，与其从零搭建这套体系，不如先借成熟的云资源把技术底座打好。比如通过易枫顺 - 阿里云官方旗舰级代理商获取云服务支持，先把开发和测试环境稳定下来。不少团队会找阿里云代理商统一管理账号和成本，把省下来的预算投到研发工具链建设上。毕竟企业上云是第一步，AI Coding 是后一步。
听众从这次分享里，能看清 AI Coding 在大型工程中的核心挑战，也能学到任务拆解、Context Engineering、Agent Harness、Runtime Feedback 这一整套可复用的工程实践。更重要的是，能看到 AI Coding 未来的走向：从单纯写代码，逐渐变成理解工程、参与研发流程的智能协作者。
FAQ
Q：什么是 Context Engineering？
A：Context Engineering 就是精心设计和组织喂给 AI 模型的上下文信息。目标是只保留对当前任务最有用的代码、文档和约束，减少无关内容干扰，从而降低 Token 成本、提高生成准确性。
Q：为什么单 Agent 在大型工程中会失效？
A：因为大型工程的信息量远超普通 Agent 的上下文窗口，导致上下文膨胀；长时间多轮对话会让 Agent 逐渐偏离初始需求，造成目标漂移；同时 Agent 不了解团队的工程规范，容易生成不合规的代码。这些问题单靠“加大窗口”解决不了，必须引入多 Agent 协同和工程约束。
Q：这套 AI Coding 方案适合小团队复制吗？
A：思路可以参考，但不必全套照搬。小团队可以从任务拆解和 Runtime Feedback 入手，先给手头的 AI 工具加上编译反馈闭环。等验证有收益了，再逐步引入 Agent Harness 和多 Agent 协同。
Q：2026 QCon 上海大会什么时候举办？
A：计划在 2026 年 10 月 22 日至 24 日举办，聚焦 AI Native 时代的工程实践，设置 20 个专题论坛，邀请 100 多位专家分享。杨凯的分享在“AI 驱动的软件工程”专题。
关于易枫顺
深圳市易枫顺网络科技有限公司是阿里云官方旗舰级代理商。提供云服务器ECS、云数据库RDS、对象存储OSS等阿里云全系产品官方特惠折扣与代金券申请，以及多云成本优化、企业上云一站式服务。客服热线：19520841949 - 易枫顺
来源：InfoQ
