AI 辅助编码正在重塑研发链路。本支柱只关注它在中国企业环境中的真实落地——私有化、合规、可控，而非 Demo 级炫技。
分层技术架构与数据闭环
自上而下五层，请求向下流动；底部是内网数据闭环，把代码库与规范的沉淀回流到知识层，模型因此越用越懂你的工程。
读图要点：越往下越是基础设施，越往上是人接触到的界面。企业落地的顺序通常相反——先把「合规层 + 知识层」铺好（代码不出内网、模型懂内部规范），再开放交互层的日常使用；跳过下面两层直接上 IDE 插件，就会在源码外发与幻觉上同时踩坑。
五个落地场景
- IDE 代码补全与生成：选型与私有化部署。
- 智能代码评审：MR 自动评论、规范检查、缺陷倾向提示。
- 编码智能体（Coding Agent）：任务级自动改码与多步执行。
- 私有知识接入（RAG）：让模型懂你的代码库与内部规范。
- AI 在测试 / 部署 / 故障定位：用例生成、日志聚类、根因建议。
私有化与合规：代码不出内网
对金融、政企与制造客户，把源码送到公网大模型是不可接受的。因此落地的第一原则是「私有化」：模型、向量库、Agent 运行时全部部署在内网，仅需可控的模型推理入口。
- 模型层：本地部署开源模型（Ollama / vLLM 承载 Qwen、DeepSeek 等）。
- 网关层：统一模型路由与配额、审计，避免各处直连。
- 知识层：代码库、规范文档入库，检索增强而非微调。
- 合规层：调用留痕、敏感信息过滤、答案可溯源。
选型建议
| 场景 | 推荐形态 | 说明 |
|---|---|---|
| 个人 / 小团队提效 | IDE 插件 + 云端模型 | 上手快，注意源码外发合规 |
| 中大型 / 强合规 | 私有化模型 + 自建 Agent | 代码不出内网，可控可审计 |
| 平台化 | 模型网关 + 知识库 + Agent 平台 | 统一治理，多团队复用 |
自建工具链示范
「西部荒野」自研的一栈工具可作为可私有化部署的 AI 编码底座参考：myclaw（本地 AI Agent，ReAct + MCP，负责自动化任务）、kshare（私有域知识库中台，三级分类 + 知识图谱 + 混合检索，负责 RAG）、llm-router（OpenAI 兼容模型网关，统一路由与审计）。三者组合即可在内网闭环「检索 → 推理 → 执行」。
与 AIDevOps 标准的关系
信通院《AIDevOps 能力成熟度》把 AI 能力分为「辅助 → 增强 → 自主」层级。企业落地应先夯实局部提效（补全、评审、测试），再逐步走向全局交付（Agent 驱动的流水线），避免一步到位带来的质量与合规风险。详见 AIDevOps 能力成熟度模型解读 →
边界与风险
- 幻觉：生成代码必须过流水线门禁（编译、测试、扫描）方可入库。
- 合规：源码、密钥、客户数据不得出内网；调用需审计。
- 质量：AI 产出与人工产出适用同一套质量红线，不搞「AI 豁免」。
深度解读
| 主题 | 内容 | 阅读 |
|---|---|---|
| AIDevOps 能力成熟度模型 | 信通院四大能力域 · 17 个能力项 · 五级成熟度 · 2026 AIDO 新进展 · 企业自评四步 | 查看解读 → |