Claude Code 近期表现下滑 - 开发者Ahmad列举Claude多项问题 包括Claude Code没有opus 4 周用量限制不透明 下架相关代码仓库 否认模型质量下降 保存所有对话和代码5年用于训练 并建议取消订阅[2] - 有开发者表示Claude Code正在走下坡路 模型质量从上个月开始变得糟糕透顶 与两年前GPT-3的痛苦体验几乎没区别[2] - 作为AI编程工具的黑马 Claude Code曾倍受开发者追捧 但最近表现让很多全球开发者失望[2] AI编程工具竞争格局 - AI编程工具竞争进入深水区 各家在产品补全速度 上下文感知 智能体协作上不断拉锯 模型层面博弈激烈 出现全球范围"准入门槛"和"封锁线"[3] - 工具之争已不是单纯产品对比 而是与模型生态 合规和市场战略深度绑定[3] - 国产代码模型加速发力 DeepSeek V3.1在国际开发者社区引发热议 在aider编程基准测试中取得71.6%成绩 成为新的非推理类SOTA 比Claude Opus 4高出1个百分点 还便宜68倍[3] CodeBuddy产品演进 - CodeBuddy IDE率先完成DeepSeek V3.1接入并开启公测 让开发者体验最新国产模型在真实场景中的能力 团队根据反馈在不到三周内完成优化[6] - CodeBuddy增加新的产品形态CLI"CodeBuddy Code" 是国内乃至全球少数同时支持IDE插件 独立IDE CLI三种形态的AI编程工具[7] - CodeBuddy Code是终端原生AI CLI 通过npm install即可安装 让习惯命令行的开发者在熟悉环境中获得AI辅助 内置文件编辑 命令运行和提交创建等功能[8] - CodeBuddy Code具备自然语言开发 智能代码库分析与集成 内置完整工具链 多场景任务自动化 灵活扩展AI团队能力等五大核心产品能力[9] - CodeBuddy IDE开启公测 国内版支持DeepSeek 国际版支持GPT与Gemini等主流模型 可同时在IDE和CLI消耗Pro模型额度[9] - IDE版本针对AI编程领域痛点进行整体优化 结合新的Agent设计提高生成质量与稳定性 与腾讯生态融合更深入 尤其是CloudBase EdgeOne Pages等能力[9] - 国产模型突破与国产工具 云平台 应用生态联动 形成贯通的"模型—工具—生态"链路[10] CodeBuddy发展历程 - 腾讯内部调研发现开发者多达30%时间被消耗在重复性和手动任务上[13] - 2018年前没有AI时开始探索 依赖于IDE自身通过规则判定交付[13] - 几年开始落地立项做工具 加速并提高软件开发质量 使用不同研发阶段 先在主流IDE中做快速安装插件[15] - 2022年AI云爆发后通过AI写代码提升编码速度 做了代码补全能力[15] - 2023年 2024年智能体Agent进入视野 在更多产品形态中应用 通过简单对话完成项目工程理解 知识库检索 自然语言生成完整代码[15] - 2024年 2025年在插件形态推出Craft软件开发智能体 以Agent形态完成智能体开发协同 开启和企业 个人的互联[16] - 2025年Q2季度发布CodeBuddy IDE国际版 在产设研和规约编码上基于海外模型做出成效 插件版本接入国内模型和混元模型[16] - 近期发布CLI在腾讯内部"吃过狗粮" 更灵活嵌入研发流水线 支持批量代码生成 自动化任务执行以及跨项目重构[17] - 产品演进经历关键转折 从代码补全插件开始 随着AI技术成熟 开发者需求从"代码补全"转向"全栈应用开发"与"流程自动化"[19] CodeBuddy产品定位与技术优势 - IDE插件 独立IDE和CLI面向不同用户和场景 交互性强 依赖上下文的任务放IDE 批量 自动化任务 异步完成工程任务的放CLI 依赖于本地主流IDE的开发者采用插件形态[20][23] - 在代码补全方面支持NES和补全缓存 快速提供更精准 可靠的补全建议[20] - 在复杂重构和大规模代码迁移场景下 CLI优势更明显 内置"全仓记忆"机制 让智能体快速记住之前的总结 工程描述等[20] - 相比传统研发 新时代AI辅助编码大大降低编码阶段时间 成为开发者很强粘性工具[21] - CodeBuddy是面向企业级复杂项目的工程智能体平台 结合全仓感知 任务级自定义Agents和本地化场景优化 提供在海外工具难以复制的价值[21] - 国内企业有严格数据安全 代码隐私和云端合规要求 CodeBuddy可以本地化部署 支持私有模型接入 兼顾国内主流IDE和国产代码托管平台生态[21] - 按照客户体量和安全要求差异 分为个人版和企业SaaS版 企业VPC专享版和私有化订阅版等多种版本 形成清晰商业模式[22] - 建设大模型新范式研效生态体系 企业客户依托伙伴生态利用CodeBuddy完成旧系统改造 流水线智能化升级和企业内部泛开发者大规模推广落地[22] - 从单一IDE插件到多平台兼容 从最初单一海外模型到接入国内模型和Hunyuan模型 从工具型到CLI提效的流程型能力[23] - 不只是"替代Copilot或Claude Code" 而是在工程级智能体 全局上下文感知 自然语言闭环执行以及本地化合规等层面形成技术壁垒和差异化价值[24] - 核心用户群是产设研群体 CodeBuddy不是追求"最快" 而是追求"工程质量" 在此基础上尽可能做到快[24] - 未来AI编程工具竞争不会只看生成速度 而是看谁能在百万行级真实项目里让开发者少踩坑 少返工 持续维护[24] 用户规模与商业模式 - 目前拥有百万级用户 有1/4左右是非技术用户 企业客户占了40%[25] - 不会走Cursor"单一大模型 + 涨价"的路 从设计之初就考虑商业可持续性 采用分层商业模式[27] - 个人用户用低成本模型保证体验 团队和付费用户在需要时调用高性能模型 企业用户可选择企业私有化的开源模型 做到成本和价值解耦[27] - 探索订阅制和企业套餐 提供固定额度和团队管理能力 内置实时消耗反馈和预算上限管控[28] - 尝试智能模式切换 根据任务复杂度选择合适模型 降低不必要token消耗 实现可预测 可管理的使用体验[28] 技术实现与创新 - 针对混元+DeepSeek双模型场景 在小程序上做优化 结合小程序知识库强化 在小程序上default+DeepSeek下做到比较好还原度[27] - 在上下文支持 稳定性 代码生成的稳健程度上 和Claude模型有一定差距[27] - 采用压缩 + 外部存储的混合策略 通过即时上下文压缩使对话或编辑历史在本地/临时内存中做轻量压缩 保证模型快速处理当前任务[31] - 类似"流式摘要" 保留核心任务意图和最新代码片段[32] - CodeBuddy CLI结合CDE很好异步执行 拉起环境 启动CLI 生成到执行程序 合并到主线 过程中有冲突则解决 有运行失败则反思修正[32] - 在Cloud Studio产品上落地类似能力 给教师端提供作业批改Background Agent 当学生提交作业时主动触发进行作业批改[32] - 单体代理和多代理协作要解决的问题场景不一样 都是要深度探索 不断迭代的领域[33] - 自动探索适合结构清晰 规则明确 风险可控的任务 人工介入涉及高风险 不可逆或者结果多样化的场景[34] - Rules本质是硬性约束或操作规范 确保安全与一致性 Plan Mode本质是多步策略执行 指导AI按步骤完成复杂任务 Spec-driven本质是以功能或产品规格为导向 生成符合需求的代码[35] - CodeBuddy通过规则引导 上下文感知和审查 将YOLO模式和SOLO模式融合 让开发者在自由与规范间自如切换[33] - MCP是"最小 可信 可组合"的工具集合 能够支撑CodeBuddy核心功能 同时降低复杂性和潜在风险[40] 生产力提升与企业管理 - CodeBuddy生产力提升体现在开发周期缩短 低级bug减少 新人快速上手[47] - 平均效率提升30–40% Bug数量下降约20–30% 新人上手速度提升约40%[47] - 从个体到团队 关注点从研发效能层面 代码审查层面 变更管理层面有所不同[49] - 研发效能层面从单个开发者效率到团队治理效率 更注重规则化 分级审查 自动化监控等[49] - 代码审查层面从"逐行检查"到同时关注"架构和策略一致性"[49] - 变更管理层面从"人工把控"到注重"自动化 + 风险可视化 + 分级合并"[49] 团队建设与未来发展 - 团队核心是一批兼具工程能力与产品思维的"多面手"[48] - 最看重驾驭AI的思维和能力 从业务视角定义问题 用架构思维拆解任务 并引导AI高效执行[48] - 不再单纯强调工程背景或AI理论 更关注业务洞察 提示词工程和人机协作素养[48] - 针对研发流程招聘垂直领域专业性人才 如质量领域 设计领域 结合背景知识和AI能力打造垂类产品和能力[50] - 目标是解决人机交互和自动化问题 基于插件和IDE产品形态增强人机交互体验 提供产设研统一协作平台 通过CLI产品形态集成到研发流程中提升自动化运作效率[51] - 作为AI应用 应用层技术上都拉不开差距 可以在用户体验上 生态链接上取得优势[52] - 未来两年最想打赢的"第一场硬仗"是让生产力走出CODING圈子 覆盖更多场景 用户和客户[53]