专题演讲嘉宾：蓝师师

当 AI Coding 在团队的渗透率和代码生成覆盖率双双突破 80% 后，我们撞上了反直觉的事：研发整体周期缩短并不明显，但月度 Token 账单却一路高歌猛进，突破千万大关。我们意识到，AI 把“写代码”提速后，出现了两个新的困局：不适配的 AI 研发协作流程与难以治理的 AI 使用成本。

1. 困局1：研发瓶颈被转移到代码编写的需求上游与测试下游环节。写得快，不等于写得对、测得完。
2. 困局2：开发者在模型“降本”与“降智”之间走钢丝。Token 花得多，不等于用得对、做得好。

本次分享将完整拆解两大困局的解法：

1. 如何通过 SDD 的全环节引入，重构研发协作全流程，解决需求质量和测试效率问题；
2. 如何通过 Auto 模型智能路由、本地代码知识图谱、上下文治理等方式，逐步降低 AI 使用成本，提高 Coding Agent 的 ROI。

演讲提纲

1. AI 将编码环节大幅提速后，为何需求交付缩短周期未能与高额账单相匹配？
   • 回顾自研 AI Coding 工具在网易游戏的演进历程。
   • Coding Agent 规模化落地后绕不开的两道困局
     • 流程：研发瓶颈被转移到代码编写的需求上游与测试下游环节。写得快，不等于写得对、测得完。
     • 成本：开发者在模型“降本”与“降智”之间走钢丝。Token 花得多，不等于用得对、做得好。
2. 研发流程重塑篇：全环节引入 SDD，重构研发协作全流程，解决需求质量和测试效率问题。
   • 需求上游：SDD 左移至策划，让需求说得清。
   • 测试下游：SDD 延续至 QA，让测试测得准。
   • 从 Harness Engineering 到 Looping Engineering。
3. AI 成本治理篇：全流程逐级优化，不被账单牵着鼻子走。
   • 本地代码知识图谱：不做漫无目的的地毯式代码检索。
   • 模型智能路由：杀鸡焉用牛刀，让合适的模型做合适的事情。
   • 上下文治理：Agent 链路指导多环节优化。
4. 长线运营：AI Coding 规模化落地三支柱。
   • 工具建设：周边生态重于 Agent 本身。
   • 文化建设：让 Spec First 与 Token 经济学深入人心。
   • 流程建设：用数据倒逼流程改造。
5. 总结与展望：从“个人提效”到“组织智慧”。

这样的技术在实践过程中有哪些痛点？

1. 如何改进流程与配套工具，调动研发链上的全职能参与 SDD。
2. 如何在成本治理和效果保障上取得平衡。

听众收益

1.  一套可复制的 SDD 落地实战。
2. 一份规模化 Coding Agent 的“成本治理工程清单”。
3. AI 时代组织能力升级的长线运营策略。