序
过去，代码托管平台解决的是一个问题：如何管理代码。
分支、提交、评审、合并、发布，围绕代码的Git协作体系由此建立，软件研发也因此变得更加规范、高效和可追溯。
但未来，开发者真正面对的问题正在发生变化：
如何理解代码？
如何利用代码？
如何让 AI 真正读懂代码、使用代码，并参与到研发过程之中？
随着大模型能力持续提升，软件研发正在进入新的阶段。代码仓库不应只是版本管理的终点，而应成为 AI 理解业务、理解架构、理解系统的入口。
与此同时，集团内部已经涌现出大量研发效能相关的 AI 助手、研发智能体和自动化工具。但一个现实问题始终存在：想做一个真正对研发有价值的AI 应用，并不容易。
开发者需要处理代码拉取、AST 解析、语义向量化、依赖关系分析、知识库构建、安全隔离、执行环境管理等大量底层能力。这些工作复杂、重复、成本高，却并不直接创造业务价值。
真正创造价值的，从来不是重复建设基础设施，而是在统一能力之上持续创新。
因此，Coding 下一阶段的核心目标，是构建基于 Coding-AI 基建的研发生态，成为集团研发AI 能力的统一底座。
让每一个开发者都能像调用 API 一样使用代码知识。
让每一个Agent 都能像理解自然语言一样理解代码世界。
让每一个AI 应用都能像接入云服务一样拥有独立的安全沙箱。
1. Coding 的下一阶段：从平台到生态
过去，Coding 提供的是平台能力；未来，Coding 要提供的是研发 AI 生态。
因此，Coding 不只是继续增强代码托管、协作和研发流程能力，而是要将多年沉淀的代码数据、工程分析能力和研发知识资产，封装为标准化、可复用、可编排的 AI 服务。
这些服务既面向人，也面向 Agent；既支撑单点工具，也支撑自动化工作流；既服务单个研发场景，也支撑集团研发体系的智能化升级。
因此，Coding 2026 的核心战略是：
将代码知识产品化。
将研发能力服务化。
将 AI 能力生态化。
最终，Coding 将和各位开发者共同建设围绕代码库开放 AI 生态体系，一起提升集团研发效能。
2. 三层建设
- AI基建-让 AI 真正理解代码：这一层负责沉淀代码知识、工程关系和研发数据能力，通过开放接口、MCP、图数据库、代码检索、仓库 Wiki、代码分析等能力，让代码从"可存储"变成"可理解、可查询、可推理"的知识资产。
- 让Remote Agent跑起来-代码Agent研发框架和沙箱运行时：这一层面向研发 AI 应用开发者，提供知识库、工具调用、LLM 管理、提示词管理、会话管理、Agent 运行环境和安全沙箱等能力，让开发者无需关注底层Agent运行，即可快速构建Agent应用。
- 前端扩展点-让AI应用无缝集成：这一层面向最终使用场景，将用户的生态应用自然嵌入Coding 的各个前端页面中。通过标准化前端扩展机制，AI 应用不再只是独立入口，而可以直接出现在开发者工作的上下文里，在最需要的地方提供理解、分析、建议和执行能力。
2.1. 让 AI 真正理解代码-AI基建
2.1.1. 开放接口与MCP：统一能力入口
自建设以来，Coding 始终坚持开放共赢的产品理念，持续面向企业内部研发系统开放代码托管、仓库管理、研发流程、工程数据等核心能力。随着 AI 应用和 Agent 场景不断增长，Coding 在传统开放 API 的基础上进一步提供核心 MCP 接口，让 AI 工具能够以更标准、更自然的方式接入 Coding 能力。
2.1.2. 图数据库：构建代码世界的关系网络
👉 图数据库用于承载代码世界中复杂的实体关系，是 AI 理解代码结构的重要基础。
代码知识的价值，不只在于某一段代码写了什么，更在于它和其他代码之间发生了什么关系。类、函数、变量、模块、接口等代码元素可以被抽象为节点；调用、继承、依赖、引用、包含、参数传递等关系，则构成节点之间的边。
相比传统关系型数据库，图数据库更适合表达代码中的多层关系和复杂路径。它能够让系统以接近代码真实结构的方式存储和查询代码知识，从而支撑调用链追踪、依赖分析、影响范围评估和仓库级代码理解。
基于代码图谱，开发者和 AI Agent 可以快速定位某个代码元素，分析它的上游调用、下游依赖、继承关系和使用范围，让代码知识从"可存储"进一步走向"可理解、可查询、可推理"。
应用场景中：
- 在调用链分析场景中，开发者可以快速查看某个函数被谁调用、又调用了哪些函数，帮助定位问题来源和影响路径。
- 在代码变更影响评估场景中，Agent 可以基于代码关系图判断一次修改可能影响哪些模块、接口或业务流程，为代码评审和发布决策提供依据。
- 在架构理解或代码重构场景中，Agent可以通过图谱快速理解模块之间的依赖关系，减少阅读大型仓库时的认知成本，或基于依赖关系识别高耦合模块、核心节点和潜在风险点，为重构建议提供结构化依据。
2.1.3. 代码检索：让 AI 精准定位关键代码
👉 代码检索是 AI 理解代码和执行研发任务的基础能力。
面对大型代码仓库，AI 不能只"读取代码"，更要能够快速找到与问题、需求或业务意图最相关的代码位置。Coding 提供 CodeSearch 关键词检索和代码语义向量检索两类能力，分别解决"已知关键词怎么找"和"不知道关键词但知道意图怎么找"的问题。
CodeSearch关键词检索适用于明确知道类名、方法名、变量名、接口名或关键语法的场景，支持精确词检索、正则检索，并可按语言、文件类型等维度过滤，帮助开发者和 AI Agent快速定位目标代码及上下文。
代码语义向量检索则基于 Embedding 技术，将自然语言问题和代码片段转化为向量表示，通过语义相似度找到相关实现。开发者可以直接提问"用户登录校验逻辑在哪里""订单状态是如何流转的"，系统即可返回最可能相关的代码片段。
关键词检索解决精准定位，语义检索解决意图理解。二者结合，让 AI 能够更接近人类开发者的方式理解代码仓库。
应用场景中：
- 在代码问答场景中，Agent 可以先通过检索找到相关代码，再基于真实上下文回答问题，减少凭空推测。
- 在需求分析场景中，开发者可以用自然语言描述业务功能，快速找到已有实现、相关接口和潜在改动位置。
- 在问题排查场景中，系统可以根据报错信息、日志关键词或问题描述定位相关代码，辅助开发者缩短排查路径。
2.1.4. 仓库Wiki：把代码变成团队知识
👉 仓库 Wiki 是基于代码库源码及相关数据自动生成的结构化知识文档，并沉淀为团队知识资产。
在 Coding-AI 基建中，CodeWiki 可以理解为面向代码资产的知识中台。它通过 AI 能力对仓库目录、代码片段、接口信息、模块关系和架构信息进行整理与加工，帮助开发者和 AI Agent 更快理解项目背景、业务逻辑、技术规范和系统结构。
与传统手写文档不同，仓库 Wiki 更贴近代码本身，可以随代码资产持续演进。它不仅提供面向人的阅读入口，也为 AI Agent 提供可检索、可引用、可关联源码位置的知识上下文。
目前，Wiki 主要提供自然语言查询、Wiki 目录查询、指定页面内容获取及关联代码索引等能力，实现文档知识与源码位置之间的双向连接。
通过 Wiki，Coding 可以将"代码资产"进一步升级为"团队知识资产"，让代码仓库不再只是源码存放地，而是成为团队知识沉淀、系统理解和 AI 辅助研发的重要入口。
应用场景中：
- 在新人上手场景中，开发者可以通过 Wiki 快速了解项目结构、核心模块、业务流程和关键接口。
- 在研发问答场景中，Agent 可以结合 Wiki 内容和关联代码片段回答问题，让回答既有业务背景，也有源码依据。
- 在知识沉淀场景中，团队可以将代码中隐含的架构设计、模块职责和业务规则自动沉淀下来，减少知识只存在于个人经验中的问题。
2.1.5. 代码分析：让 AI 看见工程状态与研发风险
👉 代码分析是对代码仓库进行系统性工程化分析的能力
如果说代码检索和图数据库帮助 AI 理解"代码在哪里、代码之间有什么关系"，那么代码分析进一步帮助 AI 判断"代码状态是否健康、变更是否存在风险、工程是否需要治理"。
在 Coding-AI 基建中，代码分析可以作为 AI 决策的重要输入。通过对代码架构、代码健康度、软件成分、漏洞风险、复杂度和质量问题等进行分析，使Agent 能够在代码评审、重构建议、影响范围评估和研发治理等场景中给出更可靠的判断。
代码分析让代码仓库不再只是静态源码集合，而是变成可评估、可治理、可决策的工程资产。AI 不只是读懂代码内容，也能够理解工程状态、识别潜在风险，并参与研发过程中的质量治理和智能决策。
应用场景中：
- 在代码评审场景中，Agent 可以结合代码分析结果识别高风险变更、复杂逻辑、潜在质量问题，并给出更有依据的评审建议。
- 在重构治理场景中，系统可以发现复杂度过高、依赖混乱、重复代码或长期无人维护的模块，辅助团队制定治理计划。
- 在发布风险评估场景中，AI 可以结合代码变更、依赖关系和质量指标，判断本次发布可能带来的影响范围和风险等级。
2.2. 让Remote Agent跑起来-代码Agent研发框架和沙箱运行时
2.2.1. 基于 Coding 基建的Agent研发框架
👉 面向通用研发 AI 应用，重点提供统一的数据、知识、工具和会话能力。
开发者可以直接复用 Coding 的代码检索、图数据库、CodeWiki、代码分析等基础能力，结合大模型、提示词和工具编排，快速构建研发问答、代码理解、工程分析、知识助手等应用。
它的价值在于，将复杂的底层能力封装成稳定、标准、可复用的服务，让 AI 应用开发从"从零搭建基础设施"转向"基于统一能力持续创新"。
2.2.2. 基于JoyAgent 的快速对接
👉 可复用 JoyAgent 已经成熟的智能体、工作流和企业协同生态
Coding 生态支持直接绑定 JoyAgent 智能体或工作流，并接入京 Me 机器人、Max 智能助理等已有生态能力。
基于 JoyAgent 的 AI 研发框架，复用 JoyAgent 已经成熟的智能体、工作流和企业协同生态。通过 AutoBots 类型插件，Coding 可以直接绑定 AutoBots 智能体或工作流，并接入京 Me 机器人、Max 智能助理等已有生态能力。
Coding 基建中的代码数据、分析数据和知识能力，可以作为 JoyAgent 知识库对外提供服务；Coding 开放的接口与 MCP 能力，也可以直接接入 JoyAgent，用于定义智能体和自动化工作流。
最重要的是：Coding可直接在MR，commit等合适的地方触发您的AutoBots智能体或工作流。
通过这一框架，Coding 与 JoyAgent 实现双向打通：
- Coding 将代码知识和工具能力开放给 AutoBots 生态。
- Coding 深度集成 JoyAgent 代码类智能体，进一步降低研发 AI 应用的开发和落地成本。
2.2.3. 基于CLI Agent的代码Agent开发框架
👉 让开发者只需定义"做什么"，借助代码库全操作能力与安全沙箱，从"能回答"推进到"能执行"
前两种框架能够很好地支撑对话式能力和预设流程式能力。它们适合基于提示词或预设工作流完成研发问答、知识查询、流程编排等任务。
但在更复杂的研发场景中，仅仅"回答问题"还不够。
当用户业务逻辑复杂时，一旦场景进入真实落地阶段，例如下载代码、修改文件、执行命令、安装依赖、运行测试、读取完整代码文件，或者与自有系统联动、将结果渲染到 Coding 页面、推送到京 ME，AI 应用需要的不只是知识能力，还需要真实的代码库操作能力和独立可执行环境。
这时，开发者往往会被环境搭建、权限配置、依赖安装、安全隔离等通用底层工作拖住。这些工作复杂、重复、耗时，却几乎不直接创造业务价值。
CLI Agent 框架正是为了解决这道从"能回答"到"能执行"的落地鸿沟。
传统方式下，开发者如果想构建一个能够操作代码库的 AI 应用，往往需要自行实现 ReAct循环、接入 Spring AI 或 LangChain 等框架、开发工具调用链路、准备运行环境，并处理代码拉取、依赖安装、权限隔离和执行安全等大量底层问题。
而基于 Coding提供的开发框架，开发者无需重复建设这些基础能力。只需要通过提示词、脚本和 Skill，即可快速落地与代码库相关的自动化任务和 AI 应用。
基于 CLI Agent，AI 应用可以真正从对话走向行动，从知识问答走向代码执行。CLI Agent支持三种灵活的开发模式：纯脚本模式、提示词模式、Skills 增强模式。
2.2.3.1. 纯脚本模式：用于确定性自动化任务
👉 用最低成本完成确定性任务，把重复工作交给自动化。
纯脚本模式不调用大模型，只执行开发者配置的脚本。
在这一模式下，任务逻辑完全由脚本控制，执行过程稳定、成本低、结果可预期，适合边界清晰、规则明确、不需要 AI 推理参与的自动化场景。
开发者可以按需配置前置脚本或后置脚本，用于完成分支管理、文件操作、配置更新、环境检查、结果校验、数据处理等任务。
适用场景：
- 分支创建、合并、清理等分支管理任务
- 批量文件扫描、复制、替换、归档等文件操作
- 配置文件检查、生成与更新
- 仓库初始化、依赖检查、构建前后处理
- 固定规则下的自动化巡检与结果汇总
2.2.3.2. 提示词模式：适用于轻量级 AI 应用
👉 降低了AI 应用开发门槛，让开发者可以用提示词快速搭建与代码库相关的智能能力
在这一模式下，开发者通过提示词定义 AI 应用的任务目标、交互方式、处理边界和输出要求，由 AI 在沙箱环境中结合代码库上下文完成分析、生成或处理任务。
开发者无需接入复杂 Agent 框架，也无需自行开发工具调用逻辑，只需编写提示词，并按需配置前置脚本或后置脚本，即可构建轻量级 AI 应用。
同时，开发者可以选择是否下载完整代码库，沙箱内置Coding 基建工具，如CodeSearch、图数据库等，让 AI 能够在更充分的代码上下文中完成任务。
适用场景：
- 代码审查与问题解释
- 单元测试生成
- 技术文档生成，团队知识沉淀
- 变更影响分析
- 研发问答与代码理解
2.2.3.3. Skills 增强模式：适用于专业AI应用
👉 将一次性的 AI 能力沉淀为可复用、可分发、可治理的专业能力模块
面向更复杂、更专业、更可复用的研发 AI 场景。开发者可以通过 Skill 包将提示词、脚本、资源文件、领域知识和执行逻辑统一封装为一个能力模块，使 AI 应用具备更强的专业能力和稳定性。
沙箱内运行opencode等可完美运行用户Agent。用户仅需上传 Skill 包，将特定领域能力沉淀为可复用资产。
Skill 模式的核心优势在于，它以 AI 原生方式组织能力，能够以较低接入成本实现类似多Agent 框架的模块化与隔离效果。
其关键机制是渐进式披露：Agent 会根据任务复杂度和执行阶段，动态加载所需指令、脚本和资源，避免一次性注入过多信息造成理解负担，同时确保 AI 在关键任务阶段获得足够准确的专业上下文。
同时，Skill 会将提示词、脚本、资源和执行数据进行独立封装，有效降低跨任务之间的指令混淆和数据污染风险，提升复杂 AI 应用执行过程中的稳定性、可控性和复用性。
适用场景：
- 代码依赖分析
- 专业领域规则扫描
- 架构治理与规范检查
- 多阶段代码分析任务
- 需要沉淀为团队能力的复杂 AI 应用
2.3. 让AI应用无缝集成-Coding前端扩展点
👉 AI 应用的价值，不能只停留在"可被调用"，更要进入开发者真实工作的现场。
对于研发效能类 AI 应用而言，最关键的问题不是能力是否存在，而是能力能否在合适的时间、合适的位置，以合适的方式被开发者自然使用。一个优秀的 AI 应用，不应该让用户在多个系统之间频繁切换，也不应该把研发流程割裂成彼此孤立的工具入口。
因此，Coding 将通过前端扩展点机制，让生态 AI 应用能够无缝嵌入 Coding 的核心研发场景中。
目前，我们已在仓库内代码质量、代码评审等场景提供前端扩展点。生态应用可以根据自身能力，嵌入到具体研发流程中，例如在代码质量问题页面提供问题分析、风险解释、修复建议，或在代码评审过程中提供自动检查、变更影响分析、规范校验和辅助 Review 能力。
CCO 安全白盒扫描左移案例：
基于 Coding 提供的代码基建数据与沙箱运行环境，CCO 安全白盒扫描能力可以在代码评审阶段前置介入，对提交变更进行漏洞扫描与风险识别。
扫描结果可通过 Coding 代码评审前端扩展点直接融入评审流程，为开发者提供漏洞检出、风险卡点和 AI 修复能力。开发者无需离开当前 Review 页面，即可完成问题定位、风险理解与修复辅助，让安全能力真正前移到研发流程中。
从此，安全扫描不再是研发流程之后的被动检查，而是成为代码提交与评审过程中的主动防线。
金科防资损案例：
基于 Coding 提供的 Skill 运行环境，金科防资损能力可以对仓库全量代码进行定时扫描，持续识别可能引发资金损失风险的问题代码。
该能力能够结合业务规则、代码特征和仓库上下文，对资损相关风险进行自动化巡检，并将扫描结果融入研发日常代码治理流程中，帮助团队更早发现隐患、更快定位问题、更稳定地沉淀风险防控经验。
通过这一实践，防资损能力从依赖人工经验的事后排查，升级为面向代码仓库的持续化、自动化风险巡检机制。
通过前端扩展点，AI 应用不再只是外部系统中的一个独立入口，而可以成为 Coding 产品体验的一部分。开发者在查看代码问题、提交评审、处理缺陷、理解变更时，即可直接调用生态应用能力，在当前上下文中完成分析、判断和处理。
未来，Coding 将持续扩展更多前端扩展点，覆盖更丰富的研发协作与工程治理场景，让各类 AI 助手、智能体和自动化应用都能够以更加自然的方式进入 Coding。
3. Coding生态案例
3.1. 案例一：代码问题-AI修复（Coding实践）
在存量代码治理中，缺陷修复长期面临三个现实难题：问题多、价值散、没人修。传统静态扫描往往能发现大量编码规约类问题，但其中不少问题修复价值有限，也缺少足够上下文支撑，导致 AI 修复时容易"看见问题，却看不懂问题"。
AI修复引入深度扫描能力，不仅能发现问题，还能提供调用链、数据流路径、分支条件和关联文件，让 AI 在修复时拥有完整上下文。
基于这一能力，AI修复形成了三条典型修复链路：AICR 代码评审问题修复、EOS 深度扫描问题修复、安全白盒问题修复。
目前，码无暇已在 3,433 个仓库中累计修复 27,556 个问题，平均修复耗时约 3 分钟，修复采纳率达到 95%。这组数据验证了一个关键判断：只要平台能够提供足够精准的代码上下文，AI 就可以从"辅助建议"进一步走向"可执行、可交付、可闭环"。
AI修复验证了基于Coding生态一整套可泛化的能力模式，：
工单驱动 → 自主规划 → AI 执行 → 结果校验 → 回写闭环。
这套模式背后，依托的是 Coding 提供的代码知识与运行底座，包括仓库图谱、AST、CodeSearch、跨仓库调用图谱、RepoWiki、沙箱执行环境、统一模型网关、MCP 工具协议、日志链路与自动重试机制。
平台不只是提供一个 AI 工具，而是提供一套让 AI 真正理解代码、操作代码、交付结果的企业级能力底座。让高价值研发 AI 应用可以更快被创造、更稳地运行，并以更自然的方式融入开发者日常工作流。
3.2. 案例二：AIAutoGenChecklist-上线检查
在软件发布过程中，上线检查清单通常依赖人工编写和经验判断，容易出现检查标准不一致、配置变更遗漏、风险项难追溯等问题。尤其当一次 MR 涉及数据库、依赖包、MQ、RPC、配置中心等多类变更时，人工排查不仅耗时，也容易影响发布质量。
AIAutoGenChecklist 基于 OxyGent 多智能体框架和 Coding 生态能力，构建了一套智能上线分析引擎。生态应用可以自动获取 Coding 平台中的 MR 信息、差异文件和原始变更内容，并结合 CodeSearch、图数据库、代码语义分析等 Coding-AI 基建能力，识别数据库、POM 依赖、JSF、JMQ、DUCC、RPC 等关键配置变更，自动生成上线变更计划、上线检查清单和上线部署方案，实现"分析---生成---推送---留痕"的完整闭环。
Coding 生态的集成价值：业务团队无需重复建设代码拉取、差异分析、搜索检索、权限继承、消息推送和结果回写等底层能力，只需基于 Coding 生态和 AI 基建封装自身规则，即可快速构建面向真实研发流程的智能化工具。
目前，AIAutoGenChecklist 已累计为集团代码库完成超 2 万次智能上线分析，将上线方案编写时间从平均 10 分钟缩短至 2 分钟，检查覆盖率从 95% 提升至 98% 以上，并有效降低部署风险。它证明了 Coding-AI 基建不仅能帮助 AI 理解代码，也能帮助团队把 AI 能力嵌入发布流程，形成可复制、可追溯、可扩展的智能上线新范式。
3.3. 案例三：告警日志分析到AI修复
在京东科技客服平台研发体系中，告警分析能力已经能够自动采集日志、识别异常模式、定位错误堆栈，并生成结构化报告。但在实际处置中，"分析"和"修复"之间仍然存在断层：系统可以指出某个文件、某一行存在异常，开发者仍需手动拉代码、本地复现、编写修复并提交 MR，完整流程往往需要数小时。
告警日志 AI 修复智能体正是为了解决这一"最后一公里"问题。它基于 Coding 生态提供的CLI Agent、Pre/Post Script、Skill、Prompt 和沙箱运行能力，将告警分析结果转化为可执行的代码修复任务，实现从告警定位、自动建分支、AI 修复、结果验证到 MR 提交的闭环。
这个案例体现了 Coding-AI 基建从"代码理解"到"代码执行"的关键价值：平台负责代码拉取、分支管理、执行环境、工具调用、安全隔离和结果回写，业务团队只需定义告警修复场景下的规则、Skill 和提示词，即可构建具备真实代码操作能力的研发智能体。
通过这一实践，告警处置从"发现告警、分析告警"进一步走向"修复告警"。它不仅压缩了故障修复耗时，也让 AI 能力真正进入研发运维流程，帮助团队构建更高效、更可控、更可持续演进的智能化故障处置体系。
3.4. 案例四：数仓SQL自动审查
在数仓开发场景中，很多线上问题并不是复杂技术难题，而是高频细节遗漏：fdm 表忘加有效标识过滤、分区条件缺失导致全表扫描、JOIN 条件异常引发笛卡尔积、LEFT JOIN 后错误过滤右表字段等。这些问题靠人工 Review 很难稳定兜住，Lint 又难以理解业务语义，团队规范文档也容易停留在"写了但没人看"的状态。
spark-sql-review 基于 Coding 平台的 CLI Agent + Skill 能力，将团队多年积累的数仓开发经验沉淀为可复用的 Skill 知识包，并在代码 Push 时自动触发审查。插件只处理本次变更涉及的 SQL 或离线脚本，通过静态规则脚本完成确定性反模式检测，再结合 Skill 中沉淀的业务规则、门禁标准和审查思维模型，输出带证据、带行号、带风险等级、带修复建议的结构化报告。
这个案例体现了 Coding-AI 生态的完整价值：平台负责 Push 事件触发、沙箱运行环境、CLI Agent 执行、Skill 加载、脚本调用、结果生成和京 ME 通知，业务团队只需维护自己的审查规则与专家经验。审查完成后，研发和评审人可以直接在京 ME 收到结果；修复后再次Push，插件会自动复查，形成"提交---审查---通知---修复---复验"的闭环。
spark-sql-review 证明了 Coding 生态不仅能支撑复杂代码修复和上线分析，也能帮助团队把领域经验产品化、流程化、自动化，让"人肉 Review"升级为不会疲倦的智能审查能力。
3.5. 案例五：代码知识沉淀
在产研测协作中，很多沟通成本来自"知识不同步"：产品想知道本次迭代改了哪些核心接口，测试想确认变更影响范围，研发虽然把设计文档写进了仓库 Wiki，但还需要人工再同步到知识库。只要中间有人忘记更新，机器人拿到的就是过期信息，团队协作仍然依赖反复问人。
代码知识自动沉淀应用正是为了解决这一断层。它基于 Coding 生态平台、Autobots 知识库开放 API 和 MCP 映射服务，将"代码库 Wiki"与"机器人知识库"打通，实现"文档随码走，合并即同步"。
研发只需在仓库维护 Markdown 设计文档，并随代码一起提交。当代码合并到 master 分支时，应用以纯脚本模式自动运行，识别本次合并涉及的 Wiki 文档变更，并根据新增、修改、重命名、删除等不同动作，同步调用 Autobots 知识库接口完成文档创建、更新、映射或删除。
Autobots 机器人后续回答问题时，引用的就是最新知识内容。
这个案例体现了 Coding 生态在流程编排和知识沉淀上的价值：在Coding内负责监听合并事件、读取本地 Git Diff、获取文档全文、调用 MCP 映射服务和知识库接口；Autobots 负责知识检索和机器人问答。业务团队无需重复开发同步脚本，也不需要人工搬运文档，只需按照约定维护 Wiki，即可让知识自动进入产研测日常问答入口。
更重要的是，这套能力不是某个仓库的定制脚本，而是可复用的通用插件。任意团队都可以通过"建知识库、仓库授权、接机器人"快速接入，把代码变更、文档沉淀和机器人问答连接起来。
通过这一实践，代码知识从"人工事后补充"变成"随合并自动沉淀"，产研测关于系统现状、接口变化、影响范围的问题，也从"找人问"变成"问机器人"。它证明了 Coding 生态不仅能管理代码、执行任务，也能把研发过程中的知识持续沉淀为团队可复用的资产。
3.6. 案例六：AI自动化测试平台
在接口自动化测试中，测试同学长期被三类工作反复消耗：一是需要在代码、Swagger、PRD 之间来回切换，理解接口入参、约束和业务逻辑；二是历史自动化场景难以高效复用，往往依赖人工搜索和复制修改；三是新场景首次运行时经常因为参数、依赖数据或断言问题反复调试，真正耗时的不是"写脚本"，而是"读懂业务、组合链路、调通参数"。
AI 测试平台基于 Coding 提供的 Agent 运行环境，将"读代码、写场景、调参数"拆解为三步：先通过 Code-Diff 识别增量接口，并调度 Coding AI Agent 加载 interface-analyzer Skill，生成包含接口信息、参数约束、异常路径和场景种子的代码解析报告；再结合 PRD、代码变更、接口契约和历史场景，通过 Skill 规则、按需加载和评估反思机制，生成可执行的端到端测试场景；后续进一步通过接口调用、响应分析和规则库判断，实现参数自愈，让脚本从"生成出来"走向"自己跑通"。
这个案例充分体现了 Coding-AI 生态在复杂研发任务中的承载能力：平台负责代码拉取、增量识别、Agent 运行、Skill 加载、工具调用、并发调度和执行环境支撑，测试团队则将接口分析规则、场景生成规则、参数补全规则沉淀为可复用能力。AI 不再只是生成一段脚本，而是在真实代码上下文和历史资产基础上，完成从代码理解到测试场景生成的工程化闭环。
通过这一实践，测试同学可以从大量机械工作中释放出来，把精力放回业务风险判断、异常路径设计和回归策略制定。AI 测试平台证明了 Coding 生态不仅能帮助 AI 理解代码、执行代码，也能支撑质量保障场景中的自动化资产生成，让"读代码、写场景、调脚本"从小时级压缩到分钟级，推动测试工作从脚本生产转向质量决策。
4. 让每一个研发场景，都能长出自己的 AI 能力
从 AI 修复、智能上线检查，到告警自动修复、SQL 自动审查、知识自动沉淀、测试场景智能生成，这些案例看似分布在不同业务场景，本质上都指向同一个变化：研发 AI 应用正在从"单点工具"走向"平台化生长"。
过去，团队想做一个真正可落地的 AI 应用，往往需要重复建设代码拉取、代码理解、知识检索、执行环境、权限控制、结果回写等大量底层能力。现在，基于 Coding-AI 生态，业务团队可以直接复用 Coding的AI基建数据、沙箱环境、Remote Agent等等，把精力集中在自身业务规则、专家经验和场景创新上。
这正是 Coding 生态的核心价值：不是替业务团队做完所有 AI 应用，而是提供一套稳定、开放、可复用的能力底座，让每个团队都能更快构建自己的Agent，让 AI 能力自然进入代码评审、上线检查、故障处置、质量保障、知识问答等真实研发流程。
未来，Coding 将继续围绕代码知识产品化、研发能力服务化、AI 能力生态化，持续开放更多基础能力和集成入口。我们希望与集团内更多研发团队一起，把散落在不同场景中的经验、规则和流程，沉淀为可复用、可编排、可扩展的 AI 能力，共同建设集团的开放研发 AI 生态。
让 AI 真正理解代码、使用代码，并参与到研发过程之中。
让每一个团队的经验，都可以成为生态中的能力。
让每一次研发创新，都能基于 Coding 生态更快发生。