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。
Related
相關文章
Google 開源 Harness²：遞迴代理程式框架，無需新模型也能提升效能
Google Cloud AI Research 開源了 Harness²，這是一個遞迴代理程式框架，透過改良凍結模型周圍的程式碼與檔案來增強效能。對開發者而言，重點很簡單：你的代理程式無需更強大的模型也能進步。重點摘要：規模為框架而非模型，訓練參數為0，包含8個可編輯的框架元件，版本0.1.0。執行環境為Linux、Python 3.12或3.13搭配uv，模型呼叫則透過Vertex AI。GPU需求未公開。效能方面：一次改良步驟即可在3個基準測試中，提升所有4個模型與框架組合的表現。最佳成果：GLM-5搭配OpenCode在WorkBuddy-Bench上從64.2提升至75.7（+11.5點）；最差表現：GLM-5搭配Codex在JobBench上僅提升1.2點（23.6至24.8）。什麼是Harness²？它是Google研究推出的即插即用框架。
如何利用NVIDIA結構化資料模型進行零訓練表格預測
In this tutorial, we implement Structured Data Models, NVIDIA’s new library that puts several pretrained foundation models for tables behind one PyTorch interface, and use it to make predictions without training.
認識 Kyutai REKI：2.4B VLA 模型為機器人操控帶來高效記憶
Kyutai 與 Inria 及 École des Ponts 合作，推出了 REKI——一個用於機器人操控的 2.4B 參數視覺-語言-動作模型（VLA）。該模型僅使用公開數據進行預訓練，並配備了輕量級的近期記憶功能。在三個分佈外基準測試中，僅有規模約為其兩倍的模型能超越它。所有模型權重已於今日在 Hugging Face 上公開。核心資訊：規模：2.4B 參數（2.2B Qwen3.5-2B VLM + 0.2B 流匹配動作專家）。記憶涵蓋最近 3 幀，間隔 1 秒。運行環境：在 1 張 NVIDIA H100 上進行基準測試。從兩個 256×256 攝像頭輸入，編譯後每個動作區塊耗時 21.8 毫秒。權重以 BF16 格式提供，暫無量化版本。性能：在 LIBERO-Plus 和 RoboTwin Clean2Rand 基準測試中，為公開數據預訓練的 VLA 模型中最優；在 LIBERO-Plus 上達到 90.4% 的最高分。
DeepSeek 發布 V4.1-Flash-1017，DeepSWE 得分 77.0，並開放搜尋 API
DeepSeek 剛發布 DeepSeek-V4.1-Flash-1017，這是其 V4.1-Flash 模型的新檢查點，現已在 DeepSeek 網站、應用程式及 API 上線。DeepSeek 宣稱該版本在性能、任務完成速度與輸出簡潔度上均優於 9 月發布的 V4.1-Flash，並稱之為性能與成本的帕累託改進。同時，DeepSeek 也向所有開發者開放了搜尋與擷取 API。對代理建構者而言，這意味著更便宜的編碼模型加上單一 API 金鑰即可使用的第一方網路層。重點摘要：骨架參數 552B，另加 196B 的 Engram 參數；預填充階段每 token 啟用 8B 參數，解碼階段啟用 16B 參數；上下文長度達 1M tokens，最大輸出 384K tokens。運行於 DeepSeek API 的 deepseek-flash 模型。9 月版的 V4.1-Flash 權重（763B 參數，FP8）採 MIT 授權。
2026年20款Jev替代方案：挑戰TypeSafe的決策模型
TypeSafe於2026年9月15日推出Jev，這是一款決策模型而非聊天機器人。使用者可定義允許的答案，Jev將回傳標籤、分數或是否的機率。約4週內，至少20款Jev替代方案相繼問世，來自Cloudflare、OpenAI、Perplexity、Liquid AI、AWS的Strands Labs及獨立開發者。本指南比較各方案在規模、授權、硬體、價格、Jev API相容性及已發布基準測試的表現。重點摘要：規模範圍從287M（GLiNER2.5-multi-Decide）到35B-A3B（Mapika Decider），Jev規模未公開。執行環境：Von和Laya等編碼器可在CPU上運行，4B適配器適用24 GB GPU或32 GB Mac。效能：多數開源模型在困難推理上落後Jev，但在狹窄分類任務上數款與之匹敵或超越。最佳表現：Cloudflare Clef在BANKING7取得94.20分。
長鑫科技市值兩月內跌去1萬億；阿里加碼AI硬件品牌，天貓、速賣通聯動；國行版蘋果AI有望12月上線，百度、阿里參與合作丨雷峰早報
要聞提示1.長鑫科技市值兩月內跌去1萬億2.年內已至少18次故障！DeepSeek發放宕機補償，有人拿到3000元3.阿里加碼AI硬件品牌，天貓、速賣通聯動4.國行版蘋果AI有望12月上線，百度、阿里參與合作5.可靈AI新一代模型Kling 4.