面对大模型时代下软件研发效率的瓶颈，招商银行从编码Copilot起步，深入探索编码Agent的创新实践。通过构建模型、上下文、工具与场景四位一体的技术架构，招行不仅解决了行业通用产品的痛点，更实现了从“提升局部效率”到“提升交付成功率”的跨越，为金融科技领域的研发智能化提供了极具价值的参考范式。
智能速览
编码Agent是解决复杂编码任务的必要路径，从“会答”走向“会做”。
招行构建了模型、上下文、工具、场景四位一体的技术架构。
通过自研任务专精模型，代码检视问题检出率提升28%。
构建长期记忆云服务，让Agent任务平均对话轮次减少2轮。
自研CMB-MCP协议，实现大文件Token压缩率达90%。
通过开放平台，垂域技能Agent成功率比通用Agent高10%。
精华内容
招商银行编码Agent的建设并非一蹴而就，而是一条从“开发全旅程横向打通”到“基础能力纵向沉淀”的系统性工程，其核心在于将模型的“认知”高效转化为“可执行的任务”。
演进逻辑
在行业普遍应用编码Copilot的初期，招商银行就发现商业化产品存在明显短板：不掌握行内开发规范、推理效率低下、模型绑定僵化。这些问题限制了Copilot模式在复杂任务中的应用深度。随着用户需求从简单的代码补全转向解决更复杂、重复、耗时的编码任务，单纯提升“局部效率”已无法满足要求。
编码Agent因此成为必然选择。它需要具备两大核心能力：更强的全局上下文理解，能从单文件扩展到全仓库；以及自主规划与工具调用能力，能完成从需求到可运行代码的全过程支持。这使得研发工作的目标从“效率提升”升级为“交付成功率提升”。
架构蓝图
为系统性地建设编码Agent，招商银行确立了“开发全旅程横向打通+基础能力纵向沉淀”的思路，最终形成了模型、上下文、工具、场景四位一体的技术架构。
该架构以大语言模型（LLM）为驱动“大脑”，负责认知与决策；以上下文为感知“基座”，为模型提供精准、丰富的环境信息；以工具为执行“引擎”，让Agent具备完成具体任务的能力；最后以场景为落地“中枢”，将前三者有机结合，解决实际的业务问题。
模型驱动
单一模型难以应对编码任务的多样性。招行构建了通用与垂直场景相结合的大模型矩阵，包括Coder大模型、Agent能力强的自然语言大模型、多模态大模型，以及自研的代码检视、NL2SQL等任务专精模型。
通过系统性评测，将任务精准分发到合适的模型。更重要的是，通过模型蒸馏微调和强化学习，自研模型性能显著提升。例如，自研代码检视模型的问题有效检出率提升28%，单次耗时缩短35%；NL2SQL模型的生成正确率提升5.2%，单次耗时缩短75.92%。
上下文感知
高质量的上下文是Agent表现的关键。企业内研发资产分散、团队经验隐性化，是上下文管理的主要挑战。
为此，招行对研发知识进行结构化沉淀与共享，并构建了长期记忆云服务，从用户（U）、项目（P）、知识库（K）三个维度存储个性化信息。在记忆命中的场景下，编码Agent的单个任务平均对话轮次可减少2轮，代码评分提升10%～20%。同时，通过动态上下文压缩与召回等技术，将有效对话轮次从5轮提升至平均50轮以上。
工具执行
工具是Agent“会做”的基础。挑战在于行内各研发平台接口规范不一，部分工具可靠性不足。
招行在标准MCP协议基础上扩展构建了CMB-MCP协议，统一了鉴权、日志等规范，并提供SDK和统一网关，极大降低了存量工具的接入成本。针对大文件读取失败率高的问题，采用AST解析和分段读取，只获取与任务最相关的代码片段，使大文件Token压缩率高达90%，保证了工具调用的稳定性与效率。
场景落地
场景是检验技术价值的最终环节。为在集约建设的同时满足各团队个性化需求，招行构建了编码Agent开放平台。
该平台支持开发团队通过界面化、配置化的方式，快速开发、调测和发布自己的垂域技能Agent。对于效果佳、通用性强的Agent，则纳入组织级共享库。目前已有几十个研发垂域技能在应用，其成功率较通用Agent普遍高出10%，形成了良性的技术复用与经验沉淀生态。
招商银行编码Agent的实践，不仅是一次技术升级，更是一场研发模式的深刻变革。它证明了在垂直领域，结合自身业务特点构建智能化工具的巨大潜力。未来，随着产设研一体化、多Agent协同等模式的探索，AI与人的协作将开启更广阔的想象空间，人机共创的研发新范式正加速到来。
