蔚來汽車 x 火山引擎：TRAE深入座艙研發，從個人效率走向組織智能

汽車智能化競爭進入深水區，軟件研發效率決定了產品迭代的速度，成為車企的核心競爭力。相比通用軟件研發，智能座艙研發更加複雜 —— 軟硬件結合、多技術耦合、調用鏈路長，疊加多平臺、多車型、多配置的業務複雜度，導致開發門檻很高。蔚來汽車與火山引擎TRAE合作，推動AI Coding在智能座艙研發場景的落地：目前開發人員日活躍率超70%，AI代碼採納率達90%，AI代碼入庫率達19.8%，有效提升了智能座艙的研發效率，並實現組織級的經驗沉澱。“TRAE帶來的，不只是代碼生成提效，更是讓經驗沉澱、協作升級，推動研發能力從個人走向組織。

”——蔚來數字座艙與軟件開發部研發效能負責人 李慶秋TRAE深入智能座艙研發蔚來汽車從能力、成本、安全合規三個維度進行了綜合評估，最終選擇通過部署TRAE，讓AI真正進入座艙研發的核心生產環節。除了輔助生成代碼外，蔚來汽車還將AI應用於代碼審查、問題定位、知識沉澱等關鍵環節，並將能力封裝為Skill 技能包落地：• AI代碼審查，構建多層質量防線AI Coding Review的價值不是替代人工Review，而是在不同階段構建多層質量防線，讓問題儘早暴露。

蔚來建立了三層AI代碼審查體系：￮ 本地全量Review：對整個倉庫進行“體檢”，確保架構設計合理、系統運行穩定、業務歷史問題不會重現，這種方式低頻，但掃描的範圍大且深；￮ 本地增量Review：在每次提交新代碼前自動進行質檢，主要檢查當前代碼改動的語法、規範和業務邏輯等，將問題直接攔截在編碼階段，這種方式高頻，且非常有效；￮ 在線增量Review：作為團隊門禁的MR進行在線審查，通過統一的審查標準，只上報真正的問題。• 項目認知與知識沉澱傳統模式下，新人入職面臨著“知識無法繼承”的困境：研發文檔不全、代碼量過大讀取週期長、歷史經驗存在於老員工腦子裡。

蔚來汽車先用 AI的上下文理解能力，將代碼、文檔、歷史問題串聯起來，自動生成項目入門 Wiki，幫新人快速建立認知；同時，推動知識的持續沉澱，開發過程中新產生的問題、架構變更、踩坑經驗，都由 AI 實時總結、迭代進知識庫，研發人員通過自然語言交互即可調取項目知識和前人經驗，形成知識閉環。這一實踐的真正價值，在於經驗不再隨人員流動而流失，每一次開發都在為下一次開發積累經驗。• 定位複雜問題AI 未必比專家更聰明，但能調取比專家更大的代碼上下文和更全的歷史經驗。許多 Bug 並非新問題，而是前人踩過的坑。

蔚來汽車將代碼上下文、Bug 日誌、評論及歷史解決方案一併餵給 AI，通過AI來輔助分析並定位複雜問題。據瞭解，團隊內部多個長期懸而未決的問題就是由此得到解決的。從個人提效到組織智能目前，TRAE已經覆蓋蔚來智能系統、車載互聯等核心研發場景，支持 IDE/CLI/Work 多種使用形態，獲得了研發團隊的高度認可。某車載互聯研發團隊的張同學，已將TRAE作為日常主力IDE使用，Token 用量從基礎配額追加到 1.5 億。並且他深度認可TRAE內置的SOLO模式和實時跟隨功能，加上桌面端良好的交互體感，日常開發效率提升明顯。

同時他也是活躍的反饋者，多次提出具體問題幫助產品團隊快速定位和修復體驗問題。智能系統研發團隊的曾同學，作為某智能交互系統工具的核心開發者，先用TRAE生成架構說明文檔，再讓TRAE讀取模塊設計規範、基於規範輸出核心控制模塊代碼，最後用TRAE生成測試代碼並沉澱成可複用的Skill。原本預估1個月的開發任務，實際只用了2周就完成，效率提升了一倍。蔚來汽車設想的遠不止於AI輔助編碼，而是一個層層遞進的“AI開發生態體系”——Knowledge層沉澱知識，Skill層封裝技能，WorkFlow層串聯流程，Agent層集成閉環。

Agent會成為新的基本單元，人類只需定義意圖，並編排匹配的Agent，通過持續進化的能力網絡，實現人與AI協作共同完成軟件交付。這一演進的本質，是從個人效率走向組織智能。過去，經驗屬於個人——新人培養週期長、專家資源短缺、知識不斷流失。如今，讓AI參與到研發的每個流程，這些經驗將屬於組織，讓組織能力能夠持續積累、持續複用、持續放大。AI早已不只是效率工具，它正在重新定義軟件工程的協作方式。火山引擎將繼續與蔚來汽車探索智能研發的新範式，讓 AI 在真實工程場景中釋放更穩定、更可持續的價值。