90%的代码由AI编写：拆解 Anthropic 工程师背后的“AI原生”开发范式

AI驱动的开发范式：Anthropic的实践

Anthropic 的工程团队已经进入一种“AI原生”的开发范式，其中高达 99% 的代码由 AI 完成。工程师的角色发生了转变，他们不再亲自编写大量代码，而是聚焦于定义问题、拆解需求，并指挥多个 AI 代理协同完成任务。

• 问题定义：工程师需要将模糊的业务目标转化为 AI 可以理解的精确指令。
• 多AI代理协作：Anthropic 正在开发的系统支持多个 AI 智能体之间的分工与协作，模拟类似人类团队的工作流程。
• 审查与调试：生成的代码并非直接采用，而是由工程师进行审查、调试和质量控制，确保代码的正确性和可维护性。

AI生命周期管理与版本控制策略

在 Anthropic 的实践中，AI 不仅用于编写代码，还深入参与到整个软件开发生命周期（SDLC）中，包括需求分析、架构设计、测试策略制定、调试与部署。

• AI 编写代码后，工程师会像对待初级开发者一样进行审查、运行和测试。
• 使用 Git 进行频繁提交，每次小任务完成后都会提交清晰的 commit 信息。
  • 提交作为“存档点”，便于回滚和恢复。
• 工程师利用 AI 工具进行自动化重构和测试，通过版本控制系统确保变更的可控性。

上下文打包与规则定制

为了提升 AI 编程的质量和准确性，工程师在启动 AI 编码前会进行“上下文打包”——将项目的关键信息、架构文档、已知问题和风格指南提供给 AI。

• 上下文打包方法：
  • 手动复制关键代码片段或 API 文档。
  • 使用工具如 gitingest 或 repo2txt，将整个仓库相关部分导出供 AI 摄取。
  • 通过 MCP（Model Control Protocol）增强 AI 的感知能力，例如访问浏览器 DOM 或日志。
• 规则定制：
  • 在提示词中加入风格指南和行为规则。
  • 强制 AI 在不确定时请求澄清，而非编造内容。
  • 要求 AI 在修复 bug 时提供注释，解释其推理逻辑。

AI与CI/CD的深度集成

在 Anthropic 和 OpenAI 的开发实践中，AI 编写代码的质量控制依赖于自动化测试和持续集成（CI）流程。

• 每次 AI 提交 PR（Pull Request），CI 系统会自动运行测试、风格检查、安全扫描。
• 工程师将 CI 失败信息反馈给 AI，推动其进行迭代修复。
• AI 善于在有反馈的环境中学习并优化输出，形成一个高效的“编写-测试-修复”协作闭环。

AI原生开发的未来趋势

Anthropic 和 OpenAI 的实践揭示了未来软件工程的新趋势：“AI 原生”开发将成为主流，工程师的角色将更加侧重于架构设计、任务分解和质量保障。

• 2026年起，已有团队实现完全由 AI 编写的百万行代码产品交付。
• 掌握“Harness Engineering”技能将成为工程师竞争力的关键。
• 到 2028 年，不会使用 AI 工程化方法的开发者可能面临被淘汰风险。

小结：AI 编程对工程能力的新要求

Anthropic 的“AI原生”开发模式表明，未来工程师的核心能力不再是手写代码，而是：

1. 高效地与 AI 协作，制定清晰的规格文档。
2. 提供完整上下文，引导 AI 输出高质量代码。
3. 建立健全的测试与 CI 流程，确保 AI 生成代码的稳定性。
4. 精通版本控制，管理 AI 生成内容的迭代与回滚。
5. 深度定制 AI 行为，通过规则和示例提升输出可靠性。

这种转变不仅提升了开发效率，也重新定义了软件工程的协作方式和人才标准。