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（886059）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（NIO）汽车与火山引擎合作,通过 TRAE 推动 AI Coding 在智能座舱（886059）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（886059）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。
李庆秋
蔚来数字座舱与软件开发部研发效能负责人
TRAE深入智能座舱研发
蔚来（NIO）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（NIO）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（NIO）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（883436）长、历史经验存在于老员工脑子里。
蔚来（NIO）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（NIO）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（NIO）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（NIO）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（883436）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（NIO）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。
