“砍掉80%开发量”是真实效率革命还是营销包装？AI低代码落地真相解析_服务软件

1. 把C++写的老项目重构成现代框架?给AI吧我不干了!

2. AI正在偷你的能力，人类该如何应对？ #大咖观察 #红衣聊AI #AI时代

3. Anthropic官方报告：8大趋势说透AI编程未来，60%代码AI写的，老金实测项目带你看！

4. 如何看待「低代码会取代程序员吗」？

5. 科技圈大事件！联想联合IDC发布的个人AI白皮书太有料了～原来AI早就不是冷冰冰的工具，正变身“个人AI双胞胎”，数据和算法主权全在自己手里！2026年就是规模化元年，联想“天禧AI一体多端”直接打破设备壁垒，手机、电脑、平板无缝协同，还自带开放生态和隐私防护buff。以后智能生活不用等，端云协同让AI跟着你走，安全感和效率双在线～

6. 硅谷巨头正疯抢高中生，斯坦福开设vibe coding课，清华AI博士甚至建议从幼儿园学起？AI海啸下，人才底层逻辑彻底变了，未来最值钱的不再是代码，而是你的“Vibe”#ai #vibecoding #秒哒 #硅谷 #AI时代学什么

7. AI编程大战正式开打！ Claude vs GPT同一天放大招，不是比谁代码写得好，而是AI开始自己组队当项目经理了。#大咖观察 #红衣聊AI #编程 #ChatGPT

8. 过去十年，大家一直在说AI会改变编程。但现在看，真正被改变的，可能不是“写代码”，而是“审代码”。如果未来AI写代码、审代码都变成了常态，程序员最核心的能力到底是什么呢？#大有学问 #红衣聊AI #anthropic #人工智能 #程序员

9. 小米 MiMo 团队负责人罗福莉：全球算力跟不上 Agent 时代的 Token 消耗，出路不是更便宜的 Token，而是更省 Token 的框架和更高效的模型共同进化。一个技术细节：OpenClaw 的上下文管理做得非常糟糕。一个用户请求会触发多轮低价值的工具调用，每次都带着超过 10 万 Token 的长上下文窗口，实际请求次数是 Claude Code 自身框架的好几倍。换算成 API 价格，真实成本可能是订阅价的几十倍。罗福莉提了两个观点：第一，短期阵痛反而是好事。第三方框架被迫走 API 付费后，成本压力会倒逼它们改进上下文管理、提高 prompt 缓存命中率、减少无效 Token 消耗。第二，呼吁其他大模型公司不要在没想清楚定价模型之前盲目打价格战。低价卖 Token 的同时对第三方框架大开门户，看着对用户友好，实际是个陷阱，Anthropic 刚从这个坑里爬出来。

10. AI原生电商出现，Agent帮你从建站到运营

11. 300个AI员工齐上岗，Agent 集群真的好用……吗？

12. 2026 AI Coding 下半场：不拼参数，拼谁能让开发者“戒不掉”

13. 从失败中重生：一个 AI Agent 前端落地的真实复盘同步发布于博客：网页链接今天在 FEDay 上分享了一个 Agent 前端落地案例，核心内容是讲述了我参与的一个团队如何从"技术成功"走向"产品失败"，又如何在复盘中获得认知升级。这个故事的价值不在于成功的方法论，而在于那些踩过的坑和思维转变的过程。2025 年被称为 Agent 元年。Deep Research、Manus、Claude Code 相继发布，技术圈一片沸腾。很多团队都在问同一个问题：我们要不要做 Agent？在开始之前，我还是想讲一下我对 AI Agent 的定义：AI Agent（AI 智能体），是为了实现某个目标，循环调用工具的大语言模型。- 工具循环（tools in a loop）：模型调用工具 → 获取结果 → 继续推理- 有明确终点：为了达成目标，而不是无限循环- 目标来源灵活：可以来自用户，也可以来自另一个 LLM- 基础记忆能力：通过对话历史保存上下文信息朋友负责的团队面临的是一个真实的企业痛点：公司有完整的内部设计系统（Design System）和私有前端框架，但这些代码从未被 AI 训练过，通用模型根本无法直接生成符合规范的代码。目标看起来很清晰——做一个类似 Lovable 的工具，但用的是自己的 Design System。用户上传 Figma 设计稿或截图，Agent 自动生成符合内部规范的前端代码。听起来很美好，对吧？但挑战也很现实：- 要完整搭建一个 Agent 系统没想的那么容易，不仅要和模型交互，还要处理好用户交互，还有上下文工程- 要让模型理解和使用从未训练过的私有组件- 要在浏览器中实时预览生成结果- 出错了希望能自动修复由于团队之前没有开发过 Agent 相关产品，所以请我参与其中，提供技术咨询和方案建议。我第一个建议很现实：先跑通再优化—— 构建 Agent 最难的不是技术，而是完整跑通流程。我推荐他们基于 Claude Agent SDK 进行二次开发，而不是从零造轮子。一些关键理由包括：1. Claude Code 已经验证了它是可行的2. 开箱即用，内置工具足够满足绝大数场景3. 可以自定义工具、接入 MCP、自定义 Skill4. 可以接入国产兼容模型还帮着基于 Claude Agent SDK 快速搭建了一个原型系统。一些关键代码还开源在这里：网页链接这样很快有了个基本可用的 Agent。接下来就是解决代码的浏览器预览问题。一开始我们尝试用 Sandpack（浏览器端沙盒）做代码预览，结果发现复杂组件根本跑不起来，而且无法发挥 Agent 读写文件的能力。转向方案是给 Agent 一个本地文件系统——每个会话一个独立环境（虚拟机或目录），Agent 可以自由读取、修改、编译代码。这个决策让 Agent 的能力得到了最大化发挥。给 Agent 一个本地文件系统才能最大化的发挥 Agent 能力给 Agent 一个本地文件系统才能最大化的发挥 Agent 能力另一个难题就是如何让 AI 学会使用从未训练过的私有组件？其实就是把 Agent 当作新员工，用高质量文档和参考代码来教会它。我们把设计系统说明、组件列表、API 文档全部 Markdown 化，让 Agent 按需检索。高质量的参考代码本身就是最好的教材。而且完全不需要复杂的 RAG 系统，直接让 Agent 去基于文件检索搜索本地文档和代码就足够了。还有一个难题就是如何保证生成代码的质量，让代码能跑起来？为了保证代码质量，为 Agent 建立了一套"生成 → 验证 → 修复"的自动化闭环：Lint 静态检查、编译验证、视觉比对（借助 Chrome DevTool MCP 做截图对比）。一个节约主 Agent 上下文的技巧：把验证工具放入 Skill 或 SubAgent，避免污染主 Agent 的上下文。把这些问题都解决后，Agent 终于上线了。系统跑通了，Demo 很惊艳，但……很快就没什么人用。初期大家觉得新鲜，但很快就弃用了。开始和他们一起深度复盘，发现问题根本不在技术，而在产品逻辑与用户习惯的错位。通过对内部员工的调查访谈，很快就找到了原因：习惯阻力：设计师和产品经理更习惯在 Figma 里工作，而不是对着一个对话框。从舒适区（Figma）跳到陌生区（Agent 对话），这个门槛比想象中高得多。大部分甚至不知道该在聊天窗口写啥。80/20 瓶颈：Agent 能实现 80% 的效果，但剩下 20% 的修改成本极高。而往往就是那 20% 决定了能不能用。流程割裂：生成环境和开发环境是脱节的，无法利用现有代码，需要手动把生成的代码复制回项目，操作繁琐。团队意识到，他们最初问的问题是："如何构建一个设计系统 AI Agent？"这种提问方式让 Agent 变成了目的本身，为了技术而忽略了本质。正确的问题应该是："我们设计系统的最终目的是什么？"答案其实只有两点：在整个企业内实现设计规范的统一；实现开发效率的提升。设计系统只是手段，而非目的。思维转换：以 AI 为中心重新设计现有的流程是为人设计的：手动沟通、反复修改、人工确认，步骤繁杂，效率低下。未来的流程应该为 AI 设计：Input → AI Agent → Output，路径直接，效率高。这带来了两个新的设计原则：AI 友好：选择 AI 容易理解和操作的技术栈。轻量化：只保留 Design Tokens，基于 AI 友好的开源系统（如 shadcn/ui）进行扩展，而不是维护一套庞大的私有组件库。破局之道：从 Agent 到 Skill最关键的转变是：不要做一个独立的 Agent 平台，而是将能力嵌入现有的 AI 开发环境。旧模式是"独立 Agent 孤岛"——Agent 和开发者之间存在割裂，效率低下。新模式是"融入开发工作流"——把设计系统变成一种 Skill（技能），可以被通用的 Agent（如 Claude Code、Cursor）调用。Skill 的具体形态很简单：Markdown 文档（供 AI 查阅组件用法）+ 自动化脚本（用于初始化项目、自动安装和应用设计系统）。开发者在自己熟悉的 AI 开发环境里工作，当需要用到设计系统时，Agent 自动调用这个 Skill，生成的代码直接进入项目代码库。Skill 的具体形态很简单：Markdown 文档（供 AI 查阅组件用法）+ 自动化脚本（用于初始化项目、自动安装和应用设计系统）。开发者在自己熟悉的 AI 开发环境里工作，当需要用到设计系统时，Agent 自动调用这个 Skill，生成的代码直接进入项目代码库。可以参考：网页链接这个案例让我想到几个更深层的问题：1. 技术成功 ≠ 产品成功很多技术人（包括我自己）容易陷入"技术可行就是成功"的思维定式。但用户不会因为你的技术牛就买单，他们只关心能不能解决自己的问题、能不能无缝融入自己的工作流。2. 做 AI 产品要"以 AI 为中心"思考我们常说"以用户为中心"，但在 AI 时代，可能需要增加一层：以 AI 为中心设计工作流，再让用户享受这个高效流程的成果。不是让 AI 模仿人的工作方式，而是重新设计工作方式让 AI 更高效。3. Skill > Agent独立的 Agent 平台有天然的adoption障碍。把能力封装成 Skill，嵌入已有的通用 Agent 生态，可能是更务实的落地路径。这也是为什么 Anthropic 推出 web-artifacts-builder 这样的开源项目——它就是一个 Skill 的范例。4. 行动本身就是价值即使这个项目"失败"了，团队获得的认知升级是无价的。从模仿人类工作流到为 AI 重塑工作流，这种思维转变只有在实践中才能获得。最后我想说的是："去构建（Build）"。AI 时代，失败没什么，好过什么都没做。

14. 利用300个Agent！从零开始搭建独属于你的AI公司/团队

15. 全球失业潮真相：AI造成了大规模失业吗？

16. 腾讯高管称今年大部分代码由 AI 生成，工程师更侧重架构设计，怎样看待这一变化？会成为行业趋势吗？

17. 近来，多位顶尖科技公司的资深软件工程师透露：“我现在的工作几乎全靠用 Opus 4.5、Cursor 或 Claude Code 进行提示生成代码，然后做理智的校验。”这标志着AI在软件开发领域已跨越了某个无形门槛，能够覆盖“绝大多数”编程任务。 Opus 4.5被认为是一个巨大飞跃，将开发任务的自动化率从约60%提升至80%。不少高级工程师表示，他们的日常工作变成了同时管理多个Git工作区，花5至10分钟给AI提示，剩下的时间主要审查和修正AI生成的代码。这一趋势引发了广泛讨论： - 资深开发者不再亲自写代码，而是通过订阅高级AI服务，指导AI完成任务。但这并非魔法，依然依赖使用者对需求和技术的深刻理解，否则适得其反。 - 有观点认为开发者正从“写代码”转变为“质量保证测试者”，主要职责是验证AI产出。 - 伴随着AI能力的提升，软件开发的难点正从编码转向明确需求、验证结果及价值归属。 - 一些人预见未来开发者更多成为高阶产品经理和系统架构师，专注于设计和规划，而非手写语法。 - 也有担忧，随着AI生成代码的普及，代码质量、技术债务和可维护性问题可能加剧，尤其在面对复杂系统和隐蔽bug时，人工介入仍不可或缺。 - 有开发者称自己已“彻底不写代码”，完全依赖AI辅助完成开发任务，强调了“提示工程”技能的重要性。 - 另一面，AI辅助加速了开发效率，让人们在同等时间内完成更多工作，但也带来技能退化的风险，初级开发者可能难以真正理解背后逻辑。 - 有声音提醒，AI生成代码的可靠性和安全性仍需人类专家严格把关。综合来看，AI正深刻改变软件开发的流程和角色定位：从传统的代码书写者，向“提示设计者”“系统架构师”乃至“质量监管者”转变。虽然AI大幅提升生产力，但复杂业务逻辑、系统设计、安全考量等仍需人类智慧主导。这与近期一篇《为何自1969年以来，我们每十年都试图取代开发者》的深度分析相呼应，文章指出历次技术浪潮虽提高了开发效率，但软件开发的本质——对复杂问题的思考和设计——是无法被工具完全取代的。未来，拥抱AI辅助开发，提升“提示工程”与系统思维能力，将成为软件工程师的新常态。唯有如此，才能在这场技术变革中保持竞争力，成为推动创新的主导力量，而非被技术边缘化的旁观者。 x.com/deedydas/status/2000472514854825985

18. With AI, building is easy; maintaining is hard.AI让“vibe coding”成了新潮流——几句话搭出原型，功能一夜成型。但当项目从Demo走向Production，复杂度非线性飙升：依赖增多、边界扩展、需求迭代、等等，那些为“快”而生的代码，开始暴露脆弱性。真实项目中，真正拉开差距的，不是生成速度，而是工程化体系：代码规范与架构边界、测试策略与CI/CD、监控告警与变更治理、等等。把流程固化，把风险前置，把维护成本压进系统里——这正是Harness一直在做的事。我觉得，能搭出一个东西不算什么，能让它健康地活下去，才是硬实力。#AI编程##vibeCoding##软件工程##DevOps##技术思考##微博AI创作季#

19. 你觉得 AI 写 90% 代码这件事，是夸张宣传，还是已经快成现实了？

20. GDC观察：游戏大厂都来聊AI，“游戏AI”的新规则由谁制定？【硅谷101】

21. 「Github一周热点113期」AI 终端工具、一站式黑客工具箱、Skill 包、Codex 生态技能和AI短视频

22. OpenAI 创始成员，前 Tesla AI 总监用ai做了一个职业风险报告，让AI自己评估可以替代哪些行业？#aigc#ai新星计划

23. #deepseekv4发布#DeepSeek 发布新一代大模型 DeepSeek V4，本次更新主要围绕上下文能力、推理能力以及 Agent 场景进行优化。来看一看它的核心更新如下：🔻上下文能力大幅提升支持最长 1M tokens（百万级上下文）可处理完整代码库、长文档、多轮复杂对话🔻强化 Agent 场景能力优化多步骤推理能力支持更复杂任务执行提升长流程稳定性🔻模型性能提升多项 benchmark 表现提升对标主流闭源大模型🔻提供双版本 Pro：高性能版本 Flash：高性价比版本（更快、更便宜）🔻 延续开源路线持续推动开源大模型发展强调低成本与高性能结合目前 DeepSeek V4 已开放相关能力与体验入口，可以在Hugging Face体验，具体应用场景仍在持续拓展deepseekv4发布

24. 腾讯高管称今年大部分代码都由 AI 生成，这会对软件开发行业带来哪些深远影响？

25. AI 正在迫使我们编写优质代码 bits.logic.inc/p/ai-is-forcing-us-to-write-good-code 这篇文章提出了一个反直觉的观点：与其说 AI 会导致代码质量下降（充满垃圾代码），不如说为了有效利用 AI，开发者必须被迫采用更好的软件工程实践。作者认为，如果你的代码库混乱、耦合度高、缺乏文档，AI 辅助工具（如 Cursor, Copilot 等）的效果就会大打折扣。反之，为了让 AI 发挥最大效用，你需要编写模块化、清晰且易于理解的代码。这种需求实际上倒逼开发者去遵循经典的“优质代码”标准。 #科技先锋官#

26. OpenClaw并不是什么“觉醒的生命”。它没有什么自我意识，但它有执行能力。它不会思考人生，但它会为目标拼命找路径。#大咖观察 #红衣聊AI #openclaw #ChatGPT

27. 一份报告刷屏AI圈，AI让哪些公司死得更快？ #大有学问 #AI #claude #AI技术

28. 从+AI到AI+，从“副驾驶”到“主驾”，天禧AI 4.0给出了个人AI时代的标准答案！#科技改变生活 #智能体#天禧Claw #天禧AI我的专属超能搭档 #联想

29. 经常觉得写代码光靠提示不够，想要一个能帮你从零搭建项目、调试、执行代码甚至管理复杂流程的 AI 助手？Goose（github.com/block/goose）是一款本地运行的、可扩展的 AI agent，不仅能写代码，还能执行代码、完成测试，甚至能和外部 API 交互，真正做到自动化工程任务全流程。主要功能：- 从头构建项目，自动生成和运行代码- 调试失败，快速定位修复- 支持多模型配置，优化性能和成本- 无缝集成 MCP 服务器，兼容各种大型语言模型- 提供桌面应用和命令行接口，灵活适配不同开发场景适合开发者、工程师和创新团队，用它加速研发效率，把时间花在创新上，而不是管理琐事。GitHub：github.com/block/goose#AI开发助手# #开源项目# #智能编程#

30. 我的 AI 驱动开发工作流：基于 Cursor 的全流程实战开发 SOP

31. 人类几十亿年生命代码被谷歌AI开源了历史性一刻！谷歌DeepMind又一次登上Nature封面，人类几十亿年生命代码全球开源！ #ai #谷歌 #AlphaGenome #DeepMind #人工智能

32. 如何不被AI取代？这是我的三条保命建议

33. AI正在重塑开发的范式。Gene Kim分享了一个令人震撼的现象：在与利益相关者演示并碰撞出十几个创意后，到第二天结束时，其中80%的功能已经上线运行。当开发效率提升十倍甚至百倍时，代码编写本身已不再是核心约束。构思与实现之间的鸿沟正在趋于零。在一个案例中，开发者仅用30分钟就构建了一个足以挑战谷歌分析的克隆版本，每月的事件处理量可达两千万次。然而，整个过程中最耗时的环节不是编写代码，而是申请云端订阅权限。这种现象被形象地称为铁丝网：阻碍你实现梦想的不再是算法逻辑，而是等待权限审批、安全审计以及没完没了的流程。现在的瓶颈是组织性的，而非技术性的。传统的冲刺计划和积压工作梳理诞生于代码极其昂贵的时代。在那个时代，每一行代码的产出都需要深思熟虑。但当交付周期缩短到分钟级，两周一次的评审循环就成了进步的枷锁。如果流程比构建更慢，那么流程就是必须被拆除的障碍。这也意味着开发者的角色正在发生根本性转变。纯粹不关注产品的技术实现者将走向终结。未来的专家将是那些能够深刻理解业务需求，并熟练编排多个AI智能体来交付价值的建设者。正如杰文斯悖论所言，当资源的利用效率提高时，需求不仅不会减少，反而会因为门槛降低而迎来爆发式增长。然而，速度的提升也带来了新的隐患。当代码生成变得廉价且快速，系统的脆弱性、安全漏洞和架构设计的合理性将面临严峻考验。企业级的应用不仅仅需要快，更需要可维护和可信赖。我们正处于一个转折点：最慢的芯片不再是硅片，而是组织架构图。那些能够移除摩擦、赋予小团队部署权限、并将安全与行政支持融入开发流程的组织，将在这场效率革命中胜出。x.com/RealGeneKim/status/2001826650795970796

34. 【AI编程不是风口，是分水岭】一年前，我也觉得AI编程是噱头。如果你在Copilot自动补全时代试过这些工具，然后弃之不用，我完全理解。但事情变了，变得很快。每隔几个月，能力就会有一次大的飞跃。半年前，GPT-5能做出像样的设计、在大型代码库里导航，已经让我惊叹。现在，Opus可以独立完成大型功能开发。这不是进步，是质变。直说吧——我认识的最优秀的开发者，都在重度使用AI。一旦你见识过这些工具的能力，想真诚地谈论它们，都会像在打广告。 "布道AI的开发者"和"质疑AI的开发者"之间的鸿沟，正在急剧扩大。我亲眼看着每一类人陷落：先是独立开发者，然后是脚本小子，接着是前端、后端、包维护者、安全研究员、运行时开发者、编译器开发者…… 这个名单还在变长。有很多"大牛"十几年没写过真正的代码了。我们可以从他们身上学到很多东西，但他们对AI如何加速真实项目中的真实团队，一无所知。坚持认为这些工具没用的人，我理解你们。几个月前它们确实没用。但你的判断已经过时了。 AI不会取代我们，但它已经在写每天产出的大部分代码。这不是关于工具的选择，而是关于你站在分水岭的哪一边。 x.com/theo/status/2006121170077155492

35. 低成本吃AI红利！2026赚钱新思路。 #大咖观察 #红衣聊AI #人工智能 #2026

36. 刚刚，Claude自曝80%代码AI写的，Anthropic呼吁停止研究AI

37. AI 算法本身已经足够聪明，但落地落地，卡点永远在现实业务里。完整落地闭环：AI 输出内容→对接现实业务→人工验收审核→沉淀优化流程，反哺迭代 AI。落地两大核心难题：谁来检查结果AI 产出交付之后，必须依靠人、既定业务规则，核验内容是否适配业务、能不能直接落地使用。错误怎么纠正一旦出现落地差错，要溯源问题根源、优化执行动作、反复复测验证，再把整改经验沉淀进流程，反向优化 AI 模型。很多 AI 项目失败，不是 AI 不够强，是忽略了线下业务校验、纠错闭环。

38. Claude灾难级大宕机，全球开发者集体炸锅！Anthropic三连翻车被怒喷

39. 现在程序员的代码大多数都是用AI生成的，后面会成为屎山代码看不懂吗？

40. 全球每天600+程序员失业，这个锅该AI来背吗？

41. 以「更懂开发者」之名：2026全球开发者先锋大会，看Agent如何重塑生产力

42. Harness Engineering：AI 能在真正"出事会炸"的后端系统里写代码吗？（将 AI Coding 引入腾讯CDN核心框架的实战记录）网页链接 “当 AI Coding 的聚光灯几乎全部打在前端和客户端——生成一个页面、写一个 App......的时候，一个重要的问题却似乎被回避了：AI 能在真正"出事会炸"的后端系统里写代码吗？腾讯CDN LEGO项目就是这样一个系统。100万行核心代码、300万行深度改造的第三方库，服务亿级用户，承担流量调度、协议解析、安全防护、缓存加速等关键职责。它面对的不是确定性的输入输出，而是不可控的客户端、不可控的源站、多协议、多配置、公网全量攻击面——这些因素维度的叠加不是简单相加，而是乘积式的复杂度爆炸，理论组合路径高达 13,824 × N 种。在这样的复杂的系统里让 AI 写代码，一行失误就可能是一场全网事故。但正因为难，才值得做。我们系统性地探索了 AI Coding 在高风险后端场景的落地路径：一方面，用 AI 零人工代码实现了一个 Rust 版 Nonstop 代理框架，以此探测 AI 编码的能力边界与行为特性；另一方面，在超大规模 C++ LEGO项目中构建了 Harness Engineering 五层架构和多模型对抗式CR，为 AI 产出的每一行代码建立从生成到上线的完整质量屏障。本文不仅是一份将 AI Coding 引入腾讯CDN核心框架的实战记录，更是一条从"AI 能写"到"AI 写了敢用" 的完整工程路径。”#How I AI# #AI创造营#

43. 学习了下Fiona Fung 在 Anthropic 大会上的演讲内容，关于 AI 时代怎么管工程团队。做些笔记顺便和大家分享。核心观点很直接：当写代码的成本趋近于零，过去基于“开发贵”设计的流程全部要重构。（这个观点我非常认同，前一段我们在内部，我和@axb的自我修养还特别的讨论过这个事情，也在做一些实践）还有几个值得记下的观点：• 从“先写设计文档”到“先发一个 PR”，技术辩论从白板讨论转向“让 Claude 同时搓三个版本对着代码聊”（对应之前大家说的对着Demo聊需求）• “这段代码谁写的”正在失去意义，Claude Code 团队几乎所有 PR 都有 AI 参与（从harness和可控性角度，谁写的还真不一样，但作者应该是从业务视角来看的，也合理）• 经理必须从 IC 做起，Fiona 自己 2017 年后首次重新写代码，“现在连 git 命令都不记得，全靠 Claude”（很认同）• 砍掉旧流程比叠加新流程更难，但更重要。她用 jit planning（即时规划）替代六个月路线图，因为“原型成本趋零，提前规划的杠杆消失了”（确实，惯性很强大）• 代码是唯一 source of truth，设计文档退位（这个其实是有争议的，spec的角色现在很微妙，不同做法各有优劣）三个观察指标：新人上手时间、PR 生命周期、Claude 介入比例。但她警告：别盯着“多少代码是 AI 写的”这种虚荣指标，关键看产品质量。最后这句话很实在：“挑出最折腾人的那条工作流，重新审视它到底还在为谁干活。”#AI编程##工程管理##ClaudeCode##技术思考##微博AI创作季#

44. #今年腾讯大部分代码都由AI生成#据《腾讯2025研发大数据报告》，腾讯超90%的研发人员使用自研AI编程助手CodeBuddy，2025年新增代码中约50%由AI辅助生成（工程师每写两行新代码有一行是AI协同完成），代码评审环节AI参与度达94%。

45. 抖音前沿科技30X30｜采访AI超级个体 Gemini 3发布后，这5个开发者给自己的人生装上了外挂。 27年程序员老兵：用AI写出多部长篇小说，一边敲代码一边圆武侠梦；硬核奶爸：手搓本地AI操作系统，把私教装进孩子口袋； AI安全研究员：把AI变成科研副驾，打破思维墙；有效加速主义者：打造AI全自动分身，让AI替自己看新闻处理琐事；全栈讲师：降低新手学习门槛，把技术文档自动变成PPT；本期视频，产品君连线5位GDE谷歌开发者专家，带你拆解AI时代的超级个体，听听他们给普通人的真诚建议。 #前沿科技趋势发布月 #抖音知识年终大赏 #AI新星计划 #AI #Google

46. 2026企业级智能体白皮书｜甲子光年智库

47. #公务员养上政务龙虾了#全网热传的“公务员养龙虾”，其实是深圳福田推出的政务龙虾AI智能体，因红龙虾图标和需投喂数据训练得名。它能自动操作系统、预审材料、分析民生工单，大幅提速审批、分流基层重复工作，还登上两会被代表提议推广。这款国产自研工具部署在政务内网，有专人监管、数据不出域，既提效又守安全底线。但也有网友担心隐私泄露与过度依赖AI。它标志政务从人工走向AI自主执行，人机协作成新趋势。机械事交给AI，复杂决策与服务仍靠人，才是长效方向。#秒懂热点就用智搜##全网热点共创计划# 公务员养上政务龙虾了

48. 未来的代码会不会百分之80都是ai写的？

49. 从vibe coding到如今的agent，作为大学生几乎丧失手搓代码的能力，需要焦虑吗？

50. 大家在使用AI编程时，更倾向于让AI一次次生成短小易读的代码，还是直接放手让AI写一大片？

51. AI 编程成本近乎 0，低代码会被替代吗？

52. 我们是如何用低代码减少 50% 交付成本的

53. Gartner预测70%新应用由AI低代码构建，传统定制开发还有出路吗？

54. 颠覆行业！AI低代码真能让企业开发成本骤降80%？

55. 低代码+AI双杀

56. 帮 100 + 企业做过低代码选型后，我总结出 2026 年最实用的 AI 低代码落地指南

57. 2026年AI+无代码应用白皮书

58. 企业 AI 智能化转型白皮书，解码无代码全场景落地实践（附下载方式)

59. AI编程这么强，低代码还没死？2026年最意外的技术合流

60. AI写代码狂飙，低代码濒临淘汰？2026企业数字化的底层逻辑与「低代码+AI」融合真相

61. 2026低代码AI避坑指南｜实测34+平台，数据说话，选型不踩坑

62. 深度解析｜2026低代码AI选型全攻略

63. 中国信通院 × 炎黄盈动

64. 2026低代码「死亡论」真相

65. Gartner最新数据！实测12家AI低代码

66. 大型企业AI应用开发

67. 2026低代码AI终极真相

68. 国内AI编程被低估的另一半

69. 低代码平台如何选？2026主流低代码开发平台TOP12排名出炉

70. 2026年低代码开发平台盘点TOP10

71. AI赋能低代码｜JNPF 解锁智能搭建新方式，助力业务高效落地

72. 1个人，用了30天就搭起了公司核心业务系统

73. 传统开发vs低代码

74. 低代码实测

75. 有ai写代码，现在做软件是不是很便宜了？

76. AI编程+低代码实测

77. 低代码 AI 会取代开发者吗？看完这份实测对比，你就不慌了

78. 35岁程序员别再死磕代码了，转型AI+低代码，发现新大陆

79. 低代码平台爆发

80. 换平台就得重开发？低代码平台锁定的困局与破解

81. 项目越做越累，低代码团队一定要有个“技术懂王”？

82. 低代码如何处理复杂业务？技术内核与实战案例解析

83. 程序员实测12家低代码AI平台

84. 低代码从业者实战感悟

85. AI+ 低代码，是风口还是泡沫？

86. 爆冷！一人凭它做出300个应用，低代码还该被骂吗？

87. 做技术3年，被低代码AI选型逼疯

88. 2026低代码新王炸

89. 从惊艳到失望

90. AI代码生成真能替代程序员？企业级场景实测暴露致命短板！

91. AI与低代码的化学反应

92. 当 AI Coding 进入复杂企业系统，为什么提效远没有宣传里那么美好？

93. 低代码企业级 AI 智能体

94. 如何引入“AI-Coding+低代码能力”来提升存量APP的开发效率～

95. 什么是低代码 v2.0 时代？JeecgBoot低代码用 Skills 把"一句话生成系统"做成了现实

96. 什么是低代码 v2.0 时代？JeecgBoot低代码用 Skills 把"一句话生成系统"做成了现实

97. 低代码 AI OA

98. 一张表格怎么变成一套管理系统？AI自动搞定跨表关联和自动化流程

99. 告别重复 CURD！ZQ Platform 企业级 AI + 低代码平台正式发布｜程序员专属提效神器

100. AI Agent 入门指南（五）

101. AI风暴之下，我们是否该放弃低代码？

102. 热门讨论

103. AI时代，低代码平台还有用吗？

104. 低代码已死，AI+低代码正在接管

105. AI时代，低代码平台还有意义吗？

106. 如何使用低代码构建专属 AI 智能体？

107. AI产品经理终极手册！Agent从“能跑”到“落地”全流程解析，看这篇就够了！

108. 低代码也卷到成这样了？别再vibe拖拽，3种稳到落地的选型模式

109. 当AI都能编程了，我们还需要低代码吗？

110. AI能写代码了，低代码平台为何不但没死还更值钱？

111. AI编程帮你“从0到1”，低代码平台帮你“从1到100”

112. 微软CFO亲口承认

113. 微软称，使用人工智能的成本高于支付人工工资

114. AI 代理每天烧掉 300 美元？失控的 AI 正在掏空企业的钱包

115. 你的AI智能体成本是预算的10倍

116. 开发一个AI智能体到底要多少钱？

117. 实测了市面所有AI代码工具后,我们发现【AI】和【低代码】真相

118. 用AI写代码效率反降19%!246项任务实测,16位资深程序员参与

119. 权威硬核数据：AI 在科技工作中的效率提升，到底在 10% 还是 100%？

120. AI Token狂飙：成本降280倍，为什么我们却越花越多？

121. 3天做一个企业应用？我用AI+低代码，客户以为我团队有10个人

122. 代码产量暴增，返工率跟着暴增：AI编程繁荣背后的隐秘真相

123. 2026年AI低代码开发平台有哪些？从0到1搭建业务系统实测，哪个好用？

124. 低代码 vs 无代码：哪种更适合你的业务场景？

125. 10年老码农视角：AI落地开发的几个真实踩坑记录

126. 从“敏捷开发”到“智能自适应”：AI低代码引领的深度数字化转型

127. 标题2026年AI编程真相越用越慢效率反降19%氛围编码正在坑惨程序

128. 低代码 + AI：加速政务应用快速迭代的实践路径

129. 12个公司大模型可落地业务场景

130. AI能写代码了，低代码还有未来吗？

131. 别挣扎了，低代码的尽头是 AI：一场不可逆的降维打击

132. Gartner最新报告：2026年低代码/AI/应用开发的5个关键数据

133. AI 项目为什么 Demo 很惊艳，真正落地却很难？企业做智能体私有化部署前先想清这 4 件事

134. AI 编程搞不定业务落地？低代码才是中小微的 “免踩坑工具”

135. 深度测评国内10大主流低代码平台

136. 低代码选错白花钱？4 款主流平台实测，教你选对提效不踩坑

137. AI推理成本狂降100倍，为何总账单反而暴涨？揭开“杰文斯悖论”下的算力真相

138. 低代码平台深度评测——国内版

139. 2026年低代码与零代码终极定位：企业数字化转型的“双引擎”战略

140. 亲测 | 这个20.8k Star的AI低代码平台，真能让我“干掉”程序员？

141. 大中型企业AI低代码开发平台有哪些？2026年企业 AI 低代码开发平台深度解析，大中型企业必备！ - 哔哩哔哩

142. 想转又怕转？AI低代码MES助力中小企业数字化转型 - 哔哩哔哩

143. 炸了！这个开源项目把 AI Agent Skills 搬进了浏览器，一句话生成完整应用

144. 仅凭ai真的能做好复杂项目吗？

145. 开发者称AI编程工具确实有效，但这正是他们担忧的原因

146. 我让 AI 重构了一坨祖传代码，只花了 3 块 2

147. 2026年AI低代码开发平台权威评测：五家厂商核心维度对比

148. 企业级Data Agent开发平台推荐：主流厂商有哪？2026年选型与主流方案全解析！

149. 过去开发 1 个功能花 1 万，现在 AI 替人干活，中小微 0 元搞定全系统

150. AI能写80%的代码，但真正稀缺的是定义问题的人

151. 什么是低代码？将成为2026年IT软件开发新范式

152. 2026海外低代码AI全景实测：企业选型别踩坑，7大平台硬核对比

153. OpenAI高管惊人披露：AI编程代码占比从20%飙升至80%

154. AI代码占比90%，1个开发者能顶传统几人

155. 企业数字化转型中AI低代码开发平台的选型策略与实践路径 - 哔哩哔哩

156. OA办公自动化系统快速搭建实践，红迅AI低代码平台让企业流程管理更智能

157. 4款低代码行业优质平台对比分析

158. AI编程边际成本的递增与“平庸陷阱”

159. 告别套壳：国产AI平台的真突破

160. GitHub爆火5万星：以低代码方式构建AI Agent

161. 2026Q1 低代码 AI 行业核心数据（简道云、明道云、轻流、odoo、伙伴云、钉钉宜搭）

“砍掉80%开发量”是真实效率革命还是营销包装？AI低代码落地真相解析

精选参考来源