汽车智能化竞争进入深水区，软件研发效率决定了产品迭代的速度，成为车企的核心竞争力。

相比通用软件研发，智能座舱研发更加复杂 —— 软硬件结合、多技术耦合、调用链路长，叠加多平台、多车型、多配置的业务复杂度，导致开发门槛很高。

蔚来汽车与火山引擎 TRAE 合作，推动 AI Coding 在智能座舱研发场景的落地：目前开发人员日活跃率超 70%，AI 代码采纳率达 90%，AI 代码入库率达 19.8%，有效提升了智能座舱的研发效率，并实现组织级的经验沉淀。

"TRAE 带来的，不只是代码生成提效，更是让经验沉淀、协作升级，推动研发能力从个人走向组织。"

——蔚来数字座舱与软件开发部研发效能负责人 李庆秋

TRAE 深入智能座舱研发

蔚来汽车从能力、成本、安全合规三个维度进行了综合评估，最终选择通过部署 TRAE，让 AI 真正进入座舱研发的核心生产环节。

除了辅助生成代码外，蔚来汽车还将 AI 应用于代码审查、问题定位、知识沉淀等关键环节，并将能力封装为 Skill 技能包落地：

• AI 代码审查，构建多层质量防线

AI Coding Review 的价值不是替代人工 Review，而是在不同阶段构建多层质量防线，让问题尽早暴露。蔚来建立了三层 AI 代码审查体系：

￮ 本地全量 Review：对整个仓库进行 " 体检 "，确保架构设计合理、系统运行稳定、业务历史问题不会重现，这种方式低频，但扫描的范围大且深；

￮ 本地增量 Review：在每次提交新代码前自动进行质检，主要检查当前代码改动的语法、规范和业务逻辑等，将问题直接拦截在编码阶段，这种方式高频，且非常有效；

￮ 在线增量 Review：作为团队门禁的 MR 进行在线审查，通过统一的审查标准，只上报真正的问题。

• 项目认知与知识沉淀

传统模式下，新人入职面临着 " 知识无法继承 " 的困境：研发文档不全、代码量过大读取周期长、历史经验存在于老员工脑子里。

蔚来汽车先用 AI 的上下文理解能力，将代码、文档、历史问题串联起来，自动生成项目入门 Wiki，帮新人快速建立认知；同时，推动知识的持续沉淀，开发过程中新产生的问题、架构变更、踩坑经验，都由 AI 实时总结、迭代进知识库，研发人员通过自然语言交互即可调取项目知识和前人经验，形成知识闭环。

这一实践的真正价值，在于经验不再随人员流动而流失，每一次开发都在为下一次开发积累经验。

• 定位复杂问题

AI 未必比专家更聪明，但能调取比专家更大的代码上下文和更全的历史经验。许多 Bug 并非新问题，而是前人踩过的坑。蔚来汽车将代码上下文、Bug 日志、评论及历史解决方案一并喂给 AI，通过 AI 来辅助分析并定位复杂问题。据了解，团队内部多个长期悬而未决的问题就是由此得到解决的。

从个人提效到组织智能

目前，TRAE 已经覆盖蔚来智能系统、车载互联等核心研发场景，支持 IDE/CLI/Work 多种使用形态，获得了研发团队的高度认可。

某车载互联研发团队的张同学，已将 TRAE 作为日常主力 IDE 使用，Token 用量从基础配额追加到 1.5 亿。并且他深度认可 TRAE 内置的 SOLO 模式和实时跟随功能，加上桌面端良好的交互体感，日常开发效率提升明显。同时他也是活跃的反馈者，多次提出具体问题帮助产品团队快速定位和修复体验问题。

智能系统研发团队的曾同学，作为某智能交互系统工具的核心开发者，先用 TRAE 生成架构说明文档，再让 TRAE 读取模块设计规范、基于规范输出核心控制模块代码，最后用 TRAE 生成测试代码并沉淀成可复用的 Skill。原本预估 1 个月的开发任务，实际只用了 2 周就完成，效率提升了一倍。

蔚来汽车设想的远不止于 AI 辅助编码，而是一个层层递进的 "AI 开发生态体系 " —— Knowledge 层沉淀知识，Skill 层封装技能，WorkFlow 层串联流程，Agent 层集成闭环。Agent 会成为新的基本单元，人类只需定义意图，并编排匹配的 Agent，通过持续进化的能力网络，实现人与 AI 协作共同完成软件交付。

这一演进的本质，是从个人效率走向组织智能。过去，经验属于个人——新人培养周期长、专家资源短缺、知识不断流失。如今，让 AI 参与到研发的每个流程，这些经验将属于组织，让组织能力能够持续积累、持续复用、持续放大。

AI 早已不只是效率工具，它正在重新定义软件工程的协作方式。火山引擎将继续与蔚来汽车探索智能研发的新范式，让 AI 在真实工程场景中释放更稳定、更可持续的价值。