AI Coding 的企业化拐点不是“AI 会写代码”，而是研发组织开始把 Agent 放进需求、设计、实现、测试、评审、CI、度量和夜间自动执行的闭环里。
本次分享将结合 2025 年 10 月以来的行业变化，以及公司 AICT Team 在 GitHub Copilot Enterprise、Claude Code、Codex、Gemini CLI / Antigravity、OpenSpec、MonoRepo、AI Testing、Metric Kanban 和 Multica 协作上的真实实践，说明如何把个人提效工具演进为企业级 AI Native SDLC。

演讲提纲

1. 企业内 AI Coding & AI Testing 的真实痛点
   • 代码生成更快以后，瓶颈集中到需求澄清、上下文构建、测试验证、Code Review、CI 稳定性、发布风险和成本治理。
   • 信任和交付仍未闭环，最终的提效难衡量。
2. 从工具采用到 Harness Engineering 工程系统基建
   • 公司级 GitHub Copilot Enterprise + GitHub.com Enterprise 导入，建立从 Copilot Coding 到 Agent Coding 的迁移。
   • 基于 Claude Code、CodeX、Gemini CLI 等头部 Coding Agent，结合 OpenSpec、MonoRepo 的自研 AI Coding & AI Testing workflow，构建全链路 Agent 研发模式。
   • 夜间 Agent 研发、测试任务实施（Pilot）。
   • Kanban Metric 建立，实时观察 AI Coding / AI Testing 使用状态、质量信号和团队采纳情况。
   • 以上内容围绕三个真实案例：
     • 新需求从 PRD 到 PR。
     • OpenClaw 自主获取 Bug Issue 到修复，再推动给人类工程师进行 PR。
     • 夜间 Agent 推动尝试和问题。
3. 企业级 AI Native SDLC 流程、管理制度、角色的转变
   • 组织调整，岗职转变。
   • 治理与边界。
   • 如何衡量是否真的提效。
4. 对于未来企业内 AI Coding & AI Testing 的思考
   • 开发 / 测试 Agent 员工导入。
   • 人人都是 QA → 人人都是产品经理？

这样的技术在实践过程中有哪些痛点？

1. 技术推广过程中的适配性，还有就是具体业务的研发场景。通用的解决方案不能很好的支持。还有就是对于游戏引擎的这部分 unreal 代码的 AI 支持不是那么友好。
2. 数据闭环的分析采集等也是非常大的问题，如何有效衡量AI 赋能的效用
3. 对于指导普通业务团队构建 Harnessing 的 AI 基建部分挑战较大。

听众收益

1. 企业内构建 AI Coding & AI Testing 的技术解决方案；
2. 企业内落地推动 AI Coding & AI Testing 的踩坑经验；
3. 对于未来企业内 AI Coding & AI Testing 的思考。