PS：今天拿到几天前申请的 Codex Pro 开源贡献者的半年体验卡，试着用 Codex Security 分析了一下我的一些项目。让 AI 分析了生成的报告，
生成式 AI 正在迅速进入软件开发流程。从最初的代码补全工具，到能够执行复杂任务的智能体，AI 在开发中的角色正在不断扩大。
然而，在许多组织中，人们仍然把 AI 编程理解为一种工具升级：更聪明的 IDE 插件、更强大的代码生成器，或者更方便的技术问答助手。
这种视角很容易低估 AI 对软件工程的真正影响。
在越来越多的团队中，AI 不再只是提供建议，而开始参与实际开发任务，例如生成模块、运行测试、修复错误，甚至创建 Pull Request。软件开发正在逐渐从 “人使用工具” 的模式，转变为 “人与 AI 协作” 的模式。
为了理解这种变化，我们可以借鉴 Agile Fluency Model 的思想，将 AI 编程看作一种能力演进，而不是一次性的技术 adoption。这种能力演进，可以称为 AI Coding Fluency。
AI Coding Fluency 描述的是团队在使用 AI 进行软件开发时逐渐形成的一组能力。这些能力不仅包括 AI 工具的使用方式，还包括人机协作模式、工程系统支持、质量治理以及上下文管理。
随着团队能力的提升，AI 在开发流程中的角色也会逐渐发生变化。从最初的辅助工具，到能够执行复杂任务的智能体，开发者与 AI 之间的分工不断演进。
下表展示了一个典型的 AI Coding Fluency 演进模型。
| Fluency Level (流畅度) | Human-AI Collaboration (人机协作) | SDLC Coverage (生命周期覆盖度) | AI Engineering Harness (工程化支撑) | Governance & Quality (质量与治理) | Context Engineering (上下文工程) |
|---|---|---|---|---|---|
| **Awareness |
生成式 AI 正在快速进入软件开发的核心流程。从最初的代码补全工具，到能够生成完整模块的 Coding Agent，再到可以自主修复
尽管我们可以用最好的模型完成所有的事情，但是约束才是我决定写这篇文章的一个出发点：约束越多，问题就越好玩。
Routa 是一个 “工程化的多 Agent 协作框架”：它把任务、状态、事件和执行拆成可控模块，让开放生态下的多 Agent 系统可以真正落地，而不是靠
最近，我们在 AutoDev 中集成了 ACP 协议，使用它进一步优化 AutoDev 的跨平台渲染架构，在提升 AutoDev 的同时，也兼容了其它智能体。由于，ACP
本文档对比分析 A2A (Agent-to-Agent Protocol) 和 ACP (Agent Client Protocol) 两个协议的核心差异、设计理念和适用场景。
这不是一个从“我们决定做 AI”开始的故事。我们项目的客户是，某金融公司内部的平台团队。他们并不是一开始就要“做 AI”，而是长期承担着一个更基础、
这不是一个从“我们决定做 AI”开始的故事。我们项目的客户是某企业内部的平台团队。他们并不是一开始就要“做 AI”，而是长期承担着一个更基础、
随着大语言模型（LLM）从被动的问答工具演变为具有自主性的智能体（Agents），传统的检索增强生成（RAG）架构正面临前所未有的挑战。当智能体需要执行长周期的复杂任务——如代码重构、法律合规审计或企业流程自动化——仅凭基于语义相似度的向量检索（Vector Retrieval）已无法满足需求。智能体不仅需要“知识”，更需要“记忆”和“结构化认知”。本文将详尽探讨一种新兴的架构范式：代理式 RAG (Agentic RAG)，并重点剖析其核心组件——上下文追踪 (Context Trace) 与 上下文图谱 (Context Graphs)。