“用得越多,挑战越大” — 字节 1 年 AI 代码贡献率 +6 倍/token +5 倍/合入率 +2 倍;TRAE 90% AI 代码 + 10x 写代码速度 = 实际 1.6x 吞吐;真正的瓶颈是指标失真 + Vibe Coding 不可交付 + 协作失序;解法是关注三件事 + 三种实践。
8 节点:指标陷阱(10x≠1.6x)/ 3×3×100 实验(900 次跑分)/ Vibe Coding 边界(80%≠80 分)/ Harness=基建 / 原型驱动 / 系统化 AI Development / 人人都是程序员 / 组织化建设
8 关键数据:
| 指标 | 变化 | 备注 |
|---|---|---|
| AI 代码贡献率 | +6 倍 | 字节全公司 |
| Token 消耗 | +5 倍 | 每月仍增长 |
| AI 代码合入率 | +2 倍 | |
| TRAE AI 代码占比 | 90%+ | 0.5 年 |
| TRAE 人均需求吞吐 | 1.6 倍 | 与 10x 写代码速度严重不匹配 |
| TRAE Token 日均 | 5.6 万亿 | 1 年增 50 倍 |
| 900 次正确率 | 80%+→90% | 有 Harness |
| 900 次可交付性 | 40-60→80 | 有 Harness |
金句:”用得越多,挑战越大” / “10x 和 1.6x 差距很大” / “过度重视单一指标,可能没找到全局优化” / “Vibe Coding 快了不做好基建实际未必快” / “代码生成门槛降 ≠ 系统复杂度降” / “原型只是第一步”
5 个反直觉:① 写代码 10x ≠ 整体效率 10x ② 正确率 80% ≠ 可交付 80%(差 40 分)③ 代码生成门槛降 ≠ 系统复杂度降 ④ Harness 是”基建”不是”框架/工具调用” ⑤ Coding 自动化 ≠ AI Coding 落地
5 个 Seetong 借鉴动作:① 指标体检加 4 全局指标 ② 跑 3×3×10=90 次 Vibe Coding 跑分 ③ Harness 基建四件套体检 ④ 选 1 个新功能试点原型驱动 ⑤ 端到端流程挑 1 个高频环节跑通系统化 AI Development
关联:上游 字节 TRAE 1 年实战 / [[Vibe Coding]] / [[Anthropic万字长文三个判断和一个阳谋]] / [[面向Skills编程-淘宝企业购端到端研发提效实践]];下游 [[从Prompt-Context到Harness-工程的三次进化与终局之战]] / [[0xCodez-Agent-Harness-14-Steps]] / [[AI原生研发落地实践-Spec-Kit和BMAD跑了一遍SDD]] / [[Claude-Code团队5条工作原则-Fiona-Fung分享]] / [[AI-Coding的顿悟时刻]] / [[54万行代码的顿悟-Markdown才是新编程方式]];同级 [[面向Skills编程-淘宝企业购端到端研发提效实践]] 阿里同口径
备注:数据可信度高(字节官方公开);900 次实验未公开具体模型/框架名单;TRAE 团队数据需注意”做 AI Coding 工具的团队本身可能用得更激进”幸存者偏差;原型驱动+系统化 AI Development 实操为现场口述具体技术栈和工时未公开;TRAE Work 企业版发布日期未公开
透明玻璃自检:digest ≤4K 字节 ✓ / 节点 8 ✓ / H2 5 个(≤5)✓ / 表格 1(≤2)✓ / 0 陈词 ✓