AI原生研发工具链重构，从代码补全到任务闭环，腾讯与新致的架构实践

AI正从“回答问题”的辅助角色，转向“理解目标、调用系统、完成任务”的工作承担者。这一转变在企业研发场景中尤为显著——当Coding Agent开始参与需求分析、业务配置、测试验证甚至上线部署，传统工具链已难以支撑其稳定、可控、可复用的规模化落地。2026年，腾讯与新致软件分别在AICon北京大会与保险行业发布会上，披露了各自对AI原生研发工具链的架构重构实践，揭示出一条清晰的技术演进路径：从单点能力嵌入，走向底座级系统重构。

腾讯资深研发工程师陈偲颖在AICon北京站分享《AI Native 企业研发工具链：架构重构与持续演进》时指出，当前核心挑战已非“如何让AI生成代码”，而是“如何确保长任务链路的正确性、可控性与经验沉淀”。单次API调用成功不等于研发任务完成；跨系统执行需校验业务约束与结果一致性；上下文失真与状态偏差会在长流程中被放大；权限、审计与人工干预机制必须嵌入执行流而非事后补救。

为此，其团队构建了一套以“AI的操作系统”为定位的底座架构，围绕四条主线展开：

第一，业务操作工具协议化与能力原子化。将企业现有业务系统（如CRM、ERP、审批流）的操作能力封装为标准化工具，采用“动作/输入/输出/用例”四段式描述，明确前置条件、影响范围与副作用。工具粒度需权衡：过粗易隐藏业务判断逻辑，过细则增加调用链复杂度与失败点。关键在于，每个工具必须对应一项“能说清楚、能校验结果”的业务操作。

第二，Agent运行时工程化与低代码Harness。通过统一的Harness层承接工具召回、Prompt组装、任务状态机管理、Hooks扩展、执行观测与回放功能，避免各业务线重复造轮子。低代码方式编排任务流程，使非算法背景的业务人员也能参与任务定义与调整。

第三，上下文工程平台化。针对长任务中的上下文漂移问题，平台需主动维护任务级上下文快照、依赖关系图谱与状态校验点，支持偏差检测与自动恢复。

第四，摩擦信号驱动的改进闭环。将用户在执行过程中的修正操作、拒绝反馈、人工覆盖等“摩擦信号”结构化沉淀，转化为可复用的规则库与校验策略，实现“一次踩坑，全局受益”。

该架构已在腾讯内部覆盖需求拆解、业务配置实现与质量校验等核心链路，推动平台从“人工开发”向“一句话需求到上线”的AI原生范式跃迁。

与此同时，行业垂直领域也在同步推进类似重构。2026年10月，新致软件发布“保险新一代AI原生架构”DriForce，明确主张：“AI不应是外挂工具，而应从底座上重构——改变的不是接口，而是运行方式。”其架构分为四层：算力层、行业模型层、语义层（数据本体）、平台层（新知平台AMP），以ONE-PI为统一内核，构建可插拔的“AI专家团”。

每位专家（如核保、理赔、营销专家）由一份prompt + 一组企业能力（MCP/API/SKILL）构成，无需重复接入数据或治理权限。依托30年行业积累，新致已沉淀482亿+ Token行业语料与16亿条真实业务经验，覆盖9大环节、86项细分能力。例如，智能核保专家基于6000+疾病知识库，实现70%无人工干预自动核保；智能理赔专家将人工审核工作量降低70%。

值得注意的是，两类实践虽领域不同，但技术逻辑高度一致：均放弃“在既有系统上叠加AI模块”的外挂式思路，转而设计面向Agent任务流的原生运行环境。这与上海交大AutoDNA实验室登上《Nature》的研究形成跨领域呼应——该平台自主协调20余类仪器、执行超11000步操作，其突破关键正在于摒弃“以人为中心的附加式架构”，构建真正理解实验目标、能全局规划与迭代优化的AI原生实验系统。

对比传统“add-on”架构（图3），AI模型仅作为专家调用的工具之一，人类仍主导流程设计与异常处理；而在AI原生架构下，Agent成为任务执行的主体，人类角色转变为目标设定者、边界定义者与高阶决策者。这种转变要求工具链具备三大新能力：一是任务级状态追踪与一致性校验，二是细粒度权限动态管控，三是执行失败的归因与经验固化机制。

行业共识正在形成：大模型能力决定Agent“能做什么”，而工程架构决定它“能否进入生产”。OpenAI、Google Cloud与Anthropic的最新实践均指向同一结论——当AI开始承担真实业务责任，工具链必须从“支持单次调用”升级为“保障任务闭环”。这不仅是技术栈的迁移，更是研发范式的代际更替。

目前，此类架构仍面临挑战：业务语义的精准建模难度高；工具原子化与组合灵活性之间存在张力；人机分工边界需随场景动态调整。但随着更多企业将AI能力从“提效工具”提升至“生产要素”层级，一套标准化、可治理、可演进的AI原生工具链底座，正从理想走向现实。