亚信科技落地全员AI编程，人均代码产出提升14.6%

当 AI 辅助编程从单点代码生成转向重构研发流程，中国大型软件企业的智能化改造正迎来新的临界点。这不仅关乎单行代码的编写速度，更标志着软件研发体系从“人驱动代码”向“AI 智能体驱动系统”的范式迭代。

在通信领域深耕三十余年的亚信科技，拥有近万名研发人员。依托阿里云全链路 AI 研发能力，亚信推动一线工程师与架构师全面接入 AI Agent 协同，完成了万人团队的平稳转型。

业务倒逼：大象转身的破局点

2022 年底大模型爆发后，亚信科技内部明确了一个判断：云原生（Cloud Native）必然走向 AI 原生（AI Native）。这一转变源自现实业务的迫切诉求。

一方面是存量基本盘的稳定性挑战。运营商业务支撑系统（BSS）与运营支撑系统（OSS）服务亿级用户，2G 到 5G 模块高度耦合，容错率极低；另一方面，新业务创新要求快速试错，传统人力配置模式开发周期长、试错成本高。对于近万人规模的研发团队而言，传统项目管理工具的提效空间已近极限，亟需全新的生产力工具破局。

亚信科技数据智能首席架构师朱军认为，真正的 AI Native 是以通用人工智能（AGI）为根基的技术体系。与云原生相比，其变革体现在三处：

1. 基础设施：从以容器为核心的 PaaS 转向以大模型为核心的 MaaS。
2. 研发方式：从 DevOps 演进为 AI 工程化，工程师从直接编写代码转向调度与驾驭 Agent。
3. 应用范式：传统 SaaS 演进为由“业务本体知识 + 数字孪生 + 智能体”支撑的 AI 智能体体系。

破除痛点：重构企业隐性知识

在运营商级复杂系统的研发中，最大的障碍往往不是语法实现，而是经验与知识的沉淀。三十年积累的业务逻辑、规范与代码分散在资深专家脑海中，新手熟悉单一模块常需数月。引入 Agent 后，同样需要让“数字员工”读懂既有系统。

为此，亚信科技梳理出四大工程范式：

• 数据语义化：利用资源描述框架（RDF）与本体语义，将分散的数据转化为具备逻辑推理能力的结构化信息。
• 业务本体化：构建本体孪生系统，以动态约束保障执行一致性，形成系统的行动框架。
• 应用智能体化：以多智能体（Multi-Agent）技术为核心，驱动具备统一业务语义的数字系统。
• AI 工程化：覆盖 Agent 全生命周期的工程管理与评估闭环。

在工具选型上，亚信确立了基模持续投入、工程环境适配性与运行环境安全性三条基准，最终全面引入阿里云 Qoder 平台。借助其知识引擎，系统能够从历史代码中自动提取架构特征与规范，沉淀为知识卡片并支持混合检索，摆脱了手工维护企业知识库的低效模式。

在规范落地方面，通过项目级编码约束注入，系统在代码生成阶段即强制执行规范。相关系统的编码规范符合率从 60% 提高到 95%，减少了后续的人工校验与重构成本。

多 Agent 并发：重组研发生产关系

面对复杂模块的研发与维护，亚信科技采用多 Agent 并发协同模式重构流程。

以缺陷修复为例：人类架构师首先通过 Spec 规范明确模块边界与接口契约；随后系统将任务拆解给定位、修复、测试验证等多个垂直 Agent 并行处理，各 Agent 共享上下文数据；最后在架构层进行集成合成。这一流程将人类工程师从机械琐碎的调试中解放出来，专注于架构决策与流程优化。

实际运营数据显示：

• 核心 BSS 系统的 AI 覆盖率达到约 80%；
• 千人运营团队月活稳定在 90% 以上；
• 人均代码产出提升约 14.6%；
• 需求到测试的端到端交付全流程平均提效 8.6%。

在专网运维场景中，结合本体知识与大模型的故障关联推理体系，使得核心网故障定位准确率提升超 20%，排障时间缩短 50% 以上。

迈向智能体互联

研发工具的演进只是第一步。亚信科技正与阿里云进一步探索智能体网络的应用场景。

在未来的商业形态中，系统间协作将逐步演化为智能体交互。产品原型设计直接代码化，新功能基于 Spec 驱动自动生成，缺陷报告自动触发独立 Agent 闭环复现、修复与验证。工程团队正在测试将不同任务的 Agent 部署在隔离环境中的协同模式，推动软件开发向人机协作的深水区迈进。