smart
14 KiB
前言
AI 编程已经从“尝鲜工具”进入“研发基础设施”阶段。
AI 不只是提高个人写代码速度，而是在重构研发组织的能效模型。
今天学习 TRAE，不是为了替代工程师，而是让工程师掌握被 AI 放大的工作方式。
第 0 部分：AI 编程行业趋势与能效变革破冰
一、开场定位
讲师开场话术
各位领导、各位同事，今天这门课表面上是 TRAE 工具培训，但我更希望大家把它理解成一次研发工作方式升级的起点。
过去我们讲研发效率，更多讲的是：
流程优化
组件复用
低代码平台
DevOps 自动化
测试自动化
但从 2023 年之后，AI 编程工具开始进入研发现场，研发效率的提升方式发生了变化。
它不再只是“工具帮人少点几下”，而是开始进入：
需求理解
代码阅读
代码生成
测试生成
重构建议
代码评审
文档生成
故障排查
这些环节。
也就是说，AI 编程的影响，不只是让某个工程师写代码快一点，而是开始改变研发组织的能效结构。
二、行业趋势：AI 编程已经进入主流阶段
讲师讲法
第一点，我们先看行业趋势。
AI 编程已经不是少数极客在尝鲜，而是正在变成开发者的日常工具。
Stack Overflow 2025 开发者调查显示，84% 的受访者已经在使用或计划在开发流程中使用 AI 工具，其中 51% 的职业开发者每天使用 AI 工具。这说明 AI 编程已经从“可选项”变成很多研发团队的“默认工作方式”之一。(Stack Overflow Insights)
GitHub 2025 Octoverse 也显示，生成式 AI 已经成为开发中的标准能力之一：超过 110 万个公开仓库使用 LLM SDK，其中近 69.4 万个项目是在过去 12 个月创建的；GitHub 还观察到，新加入 GitHub 的开发者中，接近 80% 会在第一周使用 Copilot。(The GitHub Blog)
屏幕展示
AI 编程已经进入主流阶段
过去：
少数人尝鲜 AI 补全
现在：
大量开发者日常使用 AI 工具
趋势：
AI 编程从“工具能力”变成“研发基础设施”
讲师补充
这里我们不需要把 AI 神化。
AI 不是今天用上，明天整个研发效率就翻倍。
但它的普及速度很快，而且正在改变研发人员的基本工作方式。
以前一个工程师的能力更多体现在：
自己写代码
自己查资料
自己读项目
自己定位问题
现在逐渐变成：
会不会描述问题
会不会给 AI 足够上下文
会不会判断 AI 输出是否可信
会不会把 AI 产出转化成可交付成果
三、技术发展：从代码补全到 Agent 工作流
讲师讲法
第二点，AI 编程工具本身也在升级。
早期的 AI 编程主要是代码补全。
你写一半，它帮你补几行。
后来变成聊天式助手。
你可以问它：
这个函数是什么意思？
这个报错怎么解决？
帮我写一个测试用例。
现在进入第三个阶段：Agent 化。
Agent 不是简单回答问题，而是可以围绕一个任务执行多步操作：
理解需求
检索代码
制定修改计划
改代码
运行检查
解释变更
辅助提交
GitHub Copilot 当前已经强调“agent mode”，可以在编辑器中解释概念、补全代码、提出修改并验证文件；Gartner 对 AI code assistants 的定义也已经覆盖生成、分析、调试、测试、修复、重构、文档、依赖搜索、代码评审等研发环节。(GitHub)
屏幕展示
AI 编程工具演进
阶段 1：代码补全
帮你补几行代码
阶段 2：对话助手
帮你解释、生成、改写
阶段 3：研发 Agent
围绕任务完成多步研发动作
讲师补充
所以今天我们学习 TRAE，不能只学“怎么让它写一段代码”。
更重要的是学：
怎么让 AI 读懂一个项目
怎么让 AI 找到正确上下文
怎么让 AI 追踪调用链路
怎么判断 AI 的回答是否可信
这才是企业研发里真正有价值的能力。
四、能效理念：AI 不是单点提效，而是组织能效重构
讲师讲法
第三点，我们讲“能效”。
过去讲研发效率，通常是看个人效率：
一个人一天写多少代码
一个需求几天完成
一个 bug 多久修复
但 AI 进入研发之后，能效的核心不只是“写代码更快”，而是：
新人理解项目更快
老项目维护成本下降
重复性编码减少
测试和文档生成成本降低
跨模块知识获取更快
代码评审和风险识别前置
也就是说，AI 影响的是整个研发链条。
Microsoft Research 和 GitHub 曾做过一个受控实验，使用 Copilot 的开发者完成指定编程任务的速度比对照组快 55.8%。这个数字不应该被简单理解成“所有研发工作都快 55%”，但它说明在特定编码任务中，AI 对效率提升是真实存在的。(微软)
Gartner 也预测，到 2028 年，75% 的企业软件工程师将使用 AI code assistants，而 2023 年初这一比例还不到 10%；同时 Gartner 特别提醒，企业不应只从“降本”角度看 AI 编程工具，还要看价值创造、开发者能力提升和研发体验改善。(gartner.com)
屏幕展示
AI 能效不是单点提效
不是只看：
代码写得更快
更要看：
理解更快
交接更快
测试更快
文档更快
风险发现更早
知识传递成本更低
五、关于“AI 替代人”：点到为止，积极但不盲目
讲师讲法
当然，今天有董事和管理层在场，我们也需要正视一个问题：AI 会不会替代人？
我的建议是不要回避，但也不要把它讲得过度悲观。
更准确的说法是：
AI 会替代一部分重复性、低上下文、低判断含量的研发工作。
AI 会改变岗位结构和团队用人方式。
但 AI 不会在短期内替代所有工程判断、业务理解和系统责任。
目前行业里已经出现一些信号：企业在评估 AI 对招聘、团队规模和岗位结构的影响，一些公司也公开谈到 AI 工具带来的生产率提升和招聘节奏变化。比如近期关于 Uber 的报道中提到，公司内部使用 Claude Code 和 ChatGPT 带来约 25% 的生产率提升，但管理层也强调，这种效率提升和最终用户价值之间并不是简单线性关系。(The Times of India)
同时，Stack Overflow 2025 调查也显示，虽然 AI 工具使用率很高，但开发者对 AI 输出准确性的信任并没有同步上升；面向领导者的解读中还提到，工具数量增加可能让工作流变复杂，而不是自动变简单。(Stack Overflow Insights)
推荐措辞
这一段建议你在课堂上这样说：
我们不用把 AI 看成一个马上替代所有工程师的东西，
也不能把它看成一个可有可无的插件。
更现实的判断是：
会使用 AI 的工程师，会逐渐替代不会使用 AI 的工作方式；
会组织 AI 工作流的团队，会逐渐替代低效率的传统研发流程。
这句话比较稳，既能让高管听到能效趋势，也不会让工程师产生强烈抵触。
六、为什么今天从“陌生代码库理解”开始讲？
讲师讲法
既然 AI 编程有这么多方向，为什么第一天不是讲“让 AI 写代码”，而是讲“陌生代码库理解”？
原因很简单。
企业研发里，真正消耗大量时间的，往往不是从零写一个 demo，而是：
接手旧项目
理解陌生模块
定位调用链路
判断改动影响面
识别风险点
补测试
写交接文档
这些工作恰恰是 AI 最适合辅助，但也最需要人工判断的地方。
所以今天我们从“理解陌生代码库”开始，是因为它同时覆盖了三个能力：
AI 提效能力
工程理解能力
风险判断能力
这也是高管和工程师都关心的交叉点。
对管理层来说，它关系到组织能效。
对工程师来说，它关系到个人能力升级。
对公司来说，它关系到研发质量和交付速度。
七、15 分钟开场完整结构
0 - 2 分钟：开场破冰
今天不是一场单纯的工具培训，而是一场研发工作方式升级课。
我们要讨论的是：AI 进入研发后，工程师、团队和组织能效会发生什么变化。
2 - 5 分钟：行业趋势
AI 编程已经进入主流阶段。
Stack Overflow 2025 调查显示，84% 的受访者已经使用或计划使用 AI 工具，51% 的职业开发者每天使用。
GitHub 2025 Octoverse 也显示，AI 已经成为开发活动中的标准能力之一。
配套引用：(Stack Overflow Insights)
5 - 8 分钟：技术发展
AI 编程工具正在从代码补全，发展到对话助手，再到 Agent 工作流。
今天的工具已经不只是帮你补几行代码，而是可以帮助理解项目、制定修改计划、生成测试、辅助评审。
配套引用：(GitHub)
8 - 12 分钟：能效理念
AI 的价值不只是让个人写代码更快，而是降低整个研发链条中的理解成本、交接成本、测试成本和文档成本。
但企业不能只从降本角度看 AI，而要看价值创造、质量提升和研发体验。
配套引用：(微软)
12 - 15 分钟：替代与拥抱
AI 会替代一部分重复性、低上下文、低判断含量的工作。
但企业真正需要的，不是简单减少人，而是提升每个人和每个团队的产出质量。
今天我们学习 TRAE，就是为了让大家掌握 AI 时代新的研发基本功：
会提问、会给上下文、会追链路、会验证结果。
八、PPT 页面建议：开场 6 页
Slide 0：标题页
标题： AI 编程时代的研发能效升级
副标题： 从工具使用到研发工作方式变化
讲师备注： 今天不是单纯学习 TRAE，而是以 TRAE 为入口，学习 AI 时代研发团队的新工作方式。
Slide 1：AI 编程已经进入主流阶段
页面内容：
AI 编程不再是尝鲜工具
趋势：
- 开发者日常使用率快速上升
- AI 从个人插件进入研发流程
- 新人默认接触 AI 编程
讲师备注： Stack Overflow 2025 显示，84% 的受访者使用或计划使用 AI 工具，51% 的职业开发者每天使用；GitHub 也观察到新开发者快速采用 Copilot。(Stack Overflow Insights)
Slide 2：AI 编程工具的三阶段演进
页面内容：
1. 代码补全
补几行代码
2. 对话助手
解释、生成、改写
3. 研发 Agent
计划、修改、测试、验证、提交
讲师备注： 今天的 AI 编程工具已经从“补代码”走向“协同完成研发任务”。GitHub Copilot 等工具已经强调 agent mode，Gartner 对 AI code assistants 的功能定义也覆盖调试、测试、重构、文档和代码评审等环节。(GitHub)
Slide 3：AI 带来的不是单点提效，而是能效重构
页面内容：
过去关注：
一个人写代码有多快
现在更要关注：
理解项目有多快
交接成本有多低
测试文档能否自动生成
风险能否更早暴露
团队知识能否复用
讲师备注： 不要把 AI 提效理解成单纯“多写代码”。真正的组织价值在于降低理解成本、沟通成本、质量成本和维护成本。
Slide 4：积极拥抱，但不盲目乐观
页面内容：
AI 会替代：
重复性编码
低上下文任务
模板化文档
简单测试生成
初步代码解释
AI 仍需要人负责：
业务判断
架构取舍
安全边界
质量责任
上线决策
讲师备注： 这一页要稳。不要制造恐慌，也不要说 AI 没影响。核心表达是：被替代的不是工程师这个人，而是低效、重复、缺乏判断的工作方式。
Slide 5：工程师角色正在变化
页面内容：
过去：
主要靠自己写、查、改、测
现在：
会描述任务
会提供上下文
会拆解问题
会验证 AI 输出
会把 AI 结果工程化
讲师备注： 这是从“编码执行者”向“AI 协同工程师”的变化。
Slide 6：为什么第一天先讲陌生代码库理解？
页面内容：
企业研发最常见的成本：
接手旧项目
理解陌生模块
追踪调用链路
判断影响范围
识别风险点
沉淀文档
讲师备注： 这正是 TRAE 这类 AI IDE 最适合切入的地方，也是工程师最需要掌握的新基本功。
九、高管在场时的推荐表达
AI 编程不是单个工具采购问题，而是研发能效体系升级问题。
AI 不只是提升个人编码速度，更重要的是降低组织的知识传递成本和项目理解成本。
未来的差距，不一定是用不用 AI，而是能不能把 AI 嵌入标准研发流程。
我们不是盲目追求 AI 替代人，而是让 AI 替代低价值重复劳动，让人聚焦业务判断、架构质量和交付责任。
十、和后续课程的衔接话术
开场最后可以这样收：
所以今天我们不从“让 AI 写代码”开始，而是从“让 AI 帮我们理解代码”开始。
因为在企业真实研发里，理解陌生项目、识别调用链路、判断风险影响，是比写几行代码更底层的能力。
接下来，我们会进入今天的正式主题：
如何用 TRAE 快速理解一个陌生代码库，并且判断 AI 给出的结论是否可信。