AI Coding 演化进行时
过去三年，AI 编码已从“补一句代码”发展为“承包一次变更”。作为最早实现产品市场契合（PMF）的技术方向之一，AI Coding 正进入下半场。它究竟是通用人工智能（AGI）的子集，还是独立演进的新路径？本文梳理其发展脉络与技术趋势。
三年演进：范式落地 → 开源上位 → 执行力为王
2023：范式落地，“可执行代理”初现
2023年标志着AI编码协作模式被主流平台确立——GitHub Copilot 与 ChatGPT 推动了“人写—AI辅”的日常化。与此同时，开源社区开始探索“不仅能说，还要能做”的新形态，两大趋势显现：
- IDE/多端一体化：Continue 通过开源扩展和 CLI 支持，在 VS Code、JetBrains 和终端间打通对话、补全、结构化编辑与 Agent 工作流，初步实现建议到动作的转化。
- 本地可执行：Open-Interpreter 实现模型在本机运行脚本的闭环，用户可通过命令行直接与AI交互并执行代码。
这些项目虽未达到产业级代理标准，但为后续 Code Agent 的爆发奠定了基础，推动行业从“能聊代码”迈向“能动手执行”。
2024：Coding Agent 上位，生态百花齐放
2024年，Coding Agent 成为主流，形成两大核心趋势：
可执行代理正式交付真实项目
OpenHands（原 OpenDevin）定位为“面向软件开发的 AI 代理平台”，支持从任务规划、工具调用、代码修改、测试执行到生成 PR 的全流程闭环。项目更名也标志着其从演示走向工程化与标准化评测。
许可式自动化成为共识
Cline 将代理集成进 VS Code，每一步操作均需用户授权，涵盖读写仓库、开启终端、启动浏览器等，兼顾自动化效率与安全可控，契合团队对可观测性的需求。
与此同时，云端原型工作台兴起。StackBlitz 的 bolt.new 基于 WebContainers 技术，将“Prompt→运行→部署/分享”流程极简化，成为前端与全栈开发者高频使用的快速原型入口，并迅速聚集开源社群。
2024年的关键词是“可执行代理 + 许可式自动化”——前者让提示转化为实际动作，后者为执行加上安全护栏，共同推动“写—测—改—提 PR”流程真正跑通，也为2025年的形态之争铺路。
2025：形态之争加速，CLI 成主战场
2025年，AI Coding 的竞争焦点从“补全准确率”转向“能否稳妥完成一次完整变更”。在此背景下，CLI 形态脱颖而出，因其天然贴近脚手架、测试与 CI/CD 流程，易于将“读库→计划→修改→验证→提交PR”的闭环压缩至开发者熟悉的命令行环境中。
Claude Code 定义了“终端即中枢”的新范式，作为 Agentic Coding 的 CLI 工具，提供完整的工作流示例，支持代理在命令行中完成从 Issue 到 PR 的全流程操作，极大提升了执行效率。
开源 CLI 项目进一步强化“可用性”与“可治理性”结合：
- Gemini CLI 采用 Apache-2.0 开源协议，内置插件化架构，并将 GitHub Actions 作为一等公民，支持通过 @gemini-cli 触发任务或编排进团队流程，赋予代理天然的可观测性与回归能力，推动其在组织内快速扩散。
- SST 的 Opencode 强调本地可控与多模型自由切换，支持 Anthropic、OpenAI、Google 及本地模型，在 TUI 界面中流畅切换，坚持100%开源与供应商无锁定，满足开发者对成本控制与长期落地的需求。
- OpenAI Codex 推出双轨设计：本地 Codex CLI 注重轻量、脚本化与本地执行；云端 Codex Web / IDE 集成则强化并行处理与上下文理解。该架构使可执行代理成为一个可扩展底座，既顺应 CLI 热潮，也为系统级协同预留空间。
当前热门项目的共性在于：谁能把执行闭环做得更顺畅、更可插拔，谁就更容易被团队采纳。CLI 成为主战场，正是因其融合了“可组合”（脚本/管道）、“可治理”（权限/审计/观测）与“可迁移”（对接现有工具链）三大优势。而开源项目凭借高适配性，既能接入 IDE 与 Web 工作台（如 bolt.new），也能下沉至 CI/CD 底层执行，成为理想的“标准拼装件”。
未来竞争将聚焦三大维度：上下文理解与工具生态（是否深度理解代码资产）、推理稳定性（复杂改动能否一次性成功）、开放性与成本（是否支持规模化部署）。
市场数据印证这一趋势。据 The Business Research Company 报告，全球 AI 编程工具市场规模预计将从 2024 年的 62.1 亿美元增长至 2029 年的 182 亿美元，复合年增长率达 24.0%，反映出渗透率提升、客单价上涨及组织级复用的叠加效应。
数据脉动：新老项目并存，生态换挡加速
对比今年5月的大模型开源开发 Landscape 图谱可见，“两端拉长”趋势明显：Cline、Continue、OpenHands 等“长红”项目持续领先，Gemini CLI、opencode、goose、marimo、openai/codex、avante.nvim 等“新面孔”快速上升。
这一格局背后体现三大规律：
- 协议优先、接口开放 的项目扩散更快（如 MCP/MCP 生态、Actions 一等公民）；
- 本地可控 + 多模型支持 提升开发者粘性（如 opencode、Avante.nvim + Ollama）；
- 从原型到交付的链路缩短（如 bolt.new、Codex Web），显著降低“从想法到产物”的门槛。
近两年热门项目的出圈逻辑可归纳为：
- 降低黑箱风险：优先本地执行，审批与追踪成为默认能力；
- 协议驱动、生态可插拔：MCP/ACP/ACI 等标准解耦“工具—代理—宿主”，大幅降低接入成本；
- 开发体验闭环：从建议到自动打补丁、测试、PR、回滚与审计，交付路径更短；
- “Vibe Coding”推动代码平权：自然语言操控仓库与脚手架，让更多角色参与原型与运维，生产环境仍强调人工审阅与回归测试。
为何2025偏爱CLI？是偶然还是趋势？
以 Gemini CLI 为例，该项目是 Google 开源的命令行智能代理，目标是“从提示直达模型执行”，将代码生成、修改、测试与协作嵌入开发者熟悉的终端环境。采用 Apache-2.0 协议，并提供官方 GitHub Action（run-gemini-cli），支持通过 Issue/PR 触发任务或响应 @gemini-cli 命令，使其既是个人工具，也是团队协作节点。
其快速普及的关键在于：
- 协作原生：通过 GitHub Action 成为仓库一等公民，支持自动分拣 Issue、生成测试、修复漏洞等；企业可通过 Google Cloud WIF 实现安全集成，减少密钥暴露风险。
- 上下文与容量优势：与 Gemini Code Assist、MCP 生态协同，主打大上下文与高频免费额度，降低团队尝试门槛。
- 从 CLI 到 CI 的无缝衔接：本地验证后几乎无需改造即可编排进 GitHub Actions，实现回归与可观测性，这对规模化推广至关重要。
因此，Gemini CLI 更适合需要“默认协作”的组织，而非仅用于本地辅助编码。不过，相比 IDE 中的细粒度编辑反馈，CLI/CI 在可视化方面较弱，可与 Cline、Continue 等 IDE 代理配合使用。
综上，CLI 的崛起并非替代 IDE 或 Web 工作台，而是承担团队自动化落地的“承力面”。三者各司其职：IDE 主攻个人效率与所见即所得编辑，Web 工作台专注快速原型与分享，CLI 则聚焦团队级自动化执行，形成互补而非零和博弈。
从应用到模型：“模型吞噬应用”的回响
应用层的演进始终受制于模型能力的突破。例如 Qwen3-Coder 已支持文件读写、目录列举等工具调用，可直接修改代码文件。
头部大模型在代码榜单中表现强劲。根据 HumanEval、SWE-Bench verified、LiveCode-Bench 等权威测评，OpenAI 的 O3、Anthropic 的 Claude、Google 的 Gemini 稳居前三。OpenAI 在推出 O3 后，相继发布 DeepResearch 与增强版 O3Search，冲击 Perplexity 核心场景；Claude Code 随 Claude 3.7 与 Claude 4 发布，虽非 IDE 形态，却引发大量开发者迁移。
当模型具备“理解整个仓库 + 稳定执行变更”的能力时，仅做 API 包装的工具将难以为继。真正的护城河正转向协议设计、流程优化与数据积累，而非简单调用不同模型。这种“降维打击”已导致众多缺乏底层构建的开源项目昙花一现，最终归于沉寂。
技术剖面：AI Coding 的五层堆栈
为避免陷入“功能比拼”的短期视角，需建立统一的技术坐标系。AI Coding 快速迭代背景下，唯有分层拆解才能应对模型侧的“降维打击”，实现灵活替换而非推倒重来。我们将其划分为五层堆栈：
- 接口形态（IDE/CLI/Web）：决定人机交互边界与团队集成方式，代表项目包括 Cline（IDE）、Gemini CLI（CLI）、bolt.new（Web）。
- 执行内核（Agent Runtime）：负责任务规划、工具编排、沙箱隔离、并行执行与断点恢复。
- 上下文织层（Context Fabric）：基于仓库、Issue、Wiki 的 RAG、语义索引及 AST/CFG 级代码分析。
- 标准与协议（MCP、ACP、ACI 等）：实现工具与代理的可插拔与可观测性。
- 模型与路由：支持多模型、本地部署与级联仲裁，平衡质量、成本与时延。
分层视角下，项目差异清晰显现：OpenHands 强在执行内核与 ACI 协议；opencode 胜在 CLI/TUI 接口与多模型路由；Gemini CLI 将协作流程通过 GitHub Action 作为北向接口输出；Codex 则通过本地+云端双轨打通上下文与执行链路。
进入下半场，竞争核心回归三大要素：推理稳定性（复杂改动成功率）、工具与上下文生态（对代码资产的理解深度）、开放性与成本（企业级落地可行性）。开源社区将继续作为新技术扩散最快的一层，而 CLI 与 IDE 插件因集成敏捷性更强，将成为新模型与工具的首选载体。
未来架构将趋于底层收敛：统一执行内核与协议层由开源主导，负责计划、工具调用、代码读写、运行观测与回退；上层维持 IDE、CLI、Web 多形态并存，分别服务于个人效率、团队自动化与原型演示场景。
结语
AI Coding 的拐点不在于“模型更聪明”，而在于“让聪明的模型可靠地完成一次真实变更”。当可执行代理与许可式自动化成为默认配置，IDE、CLI、Web 三种形态被整合进同一执行引擎，人机协作便从“能交互”进化为“能交付”。
下一阶段的竞争，将在执行闭环完整性、上下文理解深度与开放生态广度中展开，最终塑造下一代软件开发范式。
本文出自《大模型开源开发生态全景与趋势》洞察报告之 AI Coding 篇，作者董超（蚂蚁开源）。