这是一个成熟 ICT 企业，在三年时间里趟出的 AI 转型真实路径。
我是朱军，亚信科技的首席架构师。
亚信科技在通信行业深耕三十多年，研发人员近一万。这个体量的"全员 AI Coding"听起来更像口号，但今年我们真的做成了——从一线工程师到架构师，几乎都在和 Agent 协同工作。
我要分享的，不是一份漂亮的 PPT，而是一个成熟 ICT 企业，在三年时间里趟出的AI转型真实路径。
Qoder 企业实践栏目：亚信首席架构师采访
运营商的 BSS（业务支撑系统）和 OSS（运营支撑系统）项目在亚信科技业务版图中占比较高。
这样的IT系统有两个突出特征：
● 系统极度复杂：从 2G 到 5G，老业务没下线，新需求不断进来，牵一发而动全身；
● 知识极度沉淀：三十年的工程经验，散落在老专家的脑子里、成百上千不同步的文档里、数以百万的历史代码里。
新员工进来，光熟悉一个模块就要两三个月。
而眼下，运营商正在谋求业务转型，一边要把基本盘的质量做得更好，一边还要长出第二曲线。这也给为其提供服务的亚信科技提出了“效率增长”的要求。
我们必须用 AI 重新组织生产关系。
2022 年底 ChatGPT 出来之后，我和团队认真讨论过一个问题：未来的应用软件长什么样？
我们给出的答案是——Cloud Native 一定会走向 AI Native。
变化体现在三个层面：
● 基础设施变了：从以容器为核心的 PaaS，转向以大模型为核心的 MaaS；
● 开发方式变了：从 DevOps 走向 AI Engineering，从人写代码变成驾驭 Agent 写代码；
● 应用范式变了： SaaS 软件走向 Agent 智能体，背后由"业务本体知识 + 数字孪生 + 智能体"这三驾马车共同支撑。
判断清楚方向后，我们就把"AI First"注入了每一项工作细节。
先从“基础大模型 + RAG”、“把自己的代码和文档喂进去”开始，而后是引入 Qoder CN（原通义灵码）和 Qoder。能力边界从"代码补全"，一步步扩展到需求、设计、测试、缺陷修复——逐渐撑起一个完整的研发团队。
这个过程让我形成了三条选型铁律：
● 看基模的持续投入：这家公司在软件工程方向上是不是真砸钱、是不是越做越快——这决定了你买到的是不是一辆能持续升级的车；
● 看配套环境：不止是模型，还要能适配你的组织、流程、规范，能够灵活配置；
● 看安全底座：模型本身可信、运行环境可信，对运营商这种客户来说是入场券。
最让我们头疼的，从来不是写代码，而是知识沉淀。
老专家的经验和那些跑了十几年的代码逻辑，过去靠"传帮带"，效率很低，而且越来越带不动。引入 Agent 之后，问题更直接——硅基员工和碳基员工要协同，他们也得"看得懂"我们的系统。
我们的做法是把业务的本体知识（Ontology Knowledge）真正"结构化"地存起来：人能读、Agent 也能读，达成共识。
Qoder 的知识引擎在这件事上帮了大忙。它的关键不是"再做一个 RAG"，而是：
● AI 自动提取与维护：不再依赖资深工程师手工建库，从代码里自动抽取规范、API 资产、架构特征，再把日常对话沉淀为知识卡片；
● 友好的知识形态：把长文档拆成小卡片，配混合检索，让 Agent 能像翻笔记一样快速命中；
● 库级共享：老专家往代码库里灌一份知识，整支团队都能共享。
一句话概括——老专家沉淀知识，新员工和 Agent 一起共享、共用知识。
运营商的系统，没有"小项目"。以某运营商的医疗项目为例，前台、后台、计费、客服全链路绑定，牵涉31 个省份加集团架构。
过去这种系统的研发节奏是串行的，牵一发动全身。现在我们尝试的方式是：
● 由架构师先把整体边界、模块拆分、接口契约定义清楚；
● 用 Spec 把约束和角色写下来，比如"这个 Agent 只负责定位，不负责改代码"；
● 多个 Agent 并发推进，再统一在架构层合成。
我们在缺陷修复这个确定性场景中反复打磨过这套流程。最早把日志、用户反馈一股脑丢给 AI，准确率并不高。后来逐步加入约束、经验、代码上下文、架构知识、角色边界……成功率也一路爬上来。
人对 AI 的把控，不是看着它，是靠把约束和知识层层加进流程里。
Qoder 团队的分享，对我触动很大。
他们自己的开发节奏是：九个月发布六十多个对外版本，内部超过 130 个版本，平均一两天一个版。
为什么能这么快？因为 Qoder 是用 Qoder 开发自己的：
● 产品经理画原型，设计直接代码化；
● 新功能开发走 Spec 模式；
● Bug 提交后自动打包环境与日志给 Agent，Agent 自动复现、修复、验证；
● 集成测试、回归测试，能交给 Agent 的全部交出去。
人保留的，是决策、驾驭和改进。
这给了我一个很重要的启发——亚信科技正在做"智能体互联网（Internet of Agents）"：我的 Agent 替我买，你的 Agent 替你卖，背后的计费、协议、信任怎么搭？这是一个全新的应用范式，必须靠这种"自己开发自己"的快速迭代能力，才能跑出来。
我们也开始做对应的产品形态。Qoder 团队最近推出的 Qoder Wake，就是把 Agent 跑在一台台独立的电脑上，让缺陷定位、缺陷修复、最终测试三个 Agent 共享上下文、互相协同——这就是数字员工的雏形。
讲落地，绕不开数字。我们一直按"软件工程项目化"的方式做度量，引入 AI 之后，无非是多评估了一项"数字员工的贡献"。
● 覆盖率： BSS 系统覆盖率最高，OSS 因为强确定性约束略低，整体在 80% 左右；
● 活跃度： 以服务某运营商的团队为例，1000+ 注册工程师，月活跃率稳定在 90% 以上；
● 代码层提效： 人均代码产出提升约 14.6%；
● 端到端提效： 从需求到测试的全流程，平均提效 8.6%。
这些数字不大，但它真实，而且每一个百分点都释放了大量人手去做创新业务——这才是引入AI的真正价值。
如果您的企业正在考虑引入AI这件事，我想给您三条建议：
● 第一，模型选型决定上限： 基模能力是地基，没有持续投入的基模，没法走远；
● 第二，把 Agent 当新员工管理：你要给它岗位、配环境、定边界、做评估，而非"装个工具"那么简单。
● 第三，靠数据驱动飞轮：不看数据就没法知道下一代模型来了之后，自己的流程哪里要改、哪里要进。
乔布斯有句话我印象很深——Technology Alone Is Not Enough。
AI Coding 给了我们一个机会：把人从重复劳动中释放出来，去做更有品味、更有创造力的事情。
你的搭档，从此不只是碳基同事，还有一群和你一起进化的数字伙伴。
Together, we achieve more.