过去两三年，大模型能力快速成熟，AI 编程（AI Coding）的产业重心也从"代码补全工具"逐步转向对软件研发全生命周期的重塑。在金融科技领域，系统复杂度高、安全合规要求严、多角色协同流程长，AI Coding 的落地并不是给开发者装一个插件那么简单，而是涉及规格管理、工具链集成、工程治理和组织推广的系统性工程。多家银行、证券与金融科技公司近期的公开实践，正在勾勒出一条越来越清晰的路径：以规格驱动开发（Spec-Driven Development，简称 SDD）为骨架，以 Agent Skills、MCP 与工程护栏为支撑，把 AI 能力嵌入需求、设计、编码、评审、测试、交付与运维的闭环。
AI Coding 在企业里的起点通常是代码补全。民生银行信息科技部在公开总结中指出，早期 CodeAgent 工具在原型开发和技术验证场景中，通过自然语言描述需求即可生成代码，能够显著提升局部效率；但银行业务系统规则复杂、系统耦合度高，仅靠对话式的"人机结对编程"，难以保证生成代码与功能需求、企业工程规范的一致性，也难以满足质量、稳定性和可控性的要求。证券与金融科技机构普遍遇到类似问题：上下文理解不足、规范遵从不稳定、质量验证机制缺位、研发资产难以复用。汇丰科技内部开源负责人李渭宁在 AICon 深圳大会的分享中，把这一阶段概括为从"代码生成提效"向"研发流程提效"的跃迁，并将企业场景下的关键痛点归纳为上下文、质量、合规、安全与度量五个方面，真正的拐点在于让 AI Coding 从个人工具变成组织能力。
多家机构的答案高度一致：把"意图驱动"变成"规格驱动"。民生银行科技团队自 2025 年起探索 SDD，依托私有化部署的 Cloud IDE、民生 Code CLI 工具与阿里云通义千问，以企业级、领域级、项目级三层规格驱动代码生成。在他们看来，规格是人与 AI 之间的"共同技术契约"，具备明确性、可验证、可演进、AI 可读的特点，针对的是"AI 说不清、写不准、不合规"的问题。
银河证券与火山引擎的合作案例展示了 SDD 在生产系统中的实际效果。在子账户及融券系统重构中，开发者先由 AI 生成包含用户故事与验收标准的规格文档（Spec），人工评审通过后，由 AI 生成实现计划（Plan）并拆解为可审查的任务单元（Task），再逐步完成代码实现（Implement）。Spec 不再是一次性文档，而是作为"准源代码"沉淀为企业 IT 资产。据其公开数据，该系统重构周期从约 4 个月压缩至 2 个月，AI 代码采纳率最高达 87%，Bug 率降低 25%，单元测试覆盖率提升 30%。工商银行的规模化实践同样以规格驱动为核心，构建覆盖需求、设计、开发、测试、交付、运维全流程的智能研发体系，以岗位智能体为载体实现"一岗一助手"。奇富科技则在 2026 年加速 SDD 规模化落地，并完成自研多智能体协同基础框架的关键验证。
在工程治理层面，单靠更好的提示词已经不足以支撑金融级落地。腾讯云提出的 Harness Engineering（驾驭工程）把问题归结为"不可靠、不可控"，主张在不改变底层大模型特性的前提下，用系统工程为其建立约束、反馈回路和工作流控制：Harness 层负责控制流与自主门禁，Context 层治理知识与记忆，Prompt 层处理具体指令。落地目标也从"人机协同"逐步走向更高比例的全流程自动化，人工只保留门禁审核与异常干预。奇富科技则在组织层面强调"人在环中"（Human-in-the-loop）的闭环：智能体承担规模化、可重复的工作，人在需求定义、方案评审、质量验收与关键决策中把关，高质量研发来自深度协同而非简单替代。
让 AI 进入真实研发工作流，关键之一是把分散的工具与知识连起来。汇丰科技通过内部开源与社区共创，把不同团队在需求分析、架构设计、编码、评审、测试、交付协同等环节的经验，沉淀为可复用、可治理的 Agent Skills，并集成 MCP、VS Code、GitHub Copilot、Jira、Confluence 等工具平台，让 Agent 在研发上下文构建、需求澄清、代码生成、测试验证、代码评审和知识沉淀中发挥作用。这套体系被概括为"ETC"：社区共建（Community）、知识宝典（Expertise Library）与顺手工具（Tooling）。银河证券则用 MCP 打通前端开发流程，把业务逻辑整理成结构化 Markdown Spec 并嵌入设计稿对应模块的 Node 链接，再由 AI 先搭框架、后逐模块细化；其公开数据显示，Flutter 页面 UI 还原度达 90% 以上，H5/Vue 页面还原度达 98% 以上。
金融科技场景下，AI Coding 始终要面对数据边界、权限、审计与风险评估。李渭宁在公开交流中提到，MCP 提供了标准化连接方式，但协议本身并不替代认证、授权与数据治理，数据权限控制往往是落地的关键卡点。行业实践普遍采用私有化部署、全链路安全管控、权限约束与质量门禁来兜底：质量指标本身并不因为引入 AI 而放宽，单元测试覆盖率、发布频次、生产事故数量等仍然沿用既有标准，AI 生成内容同样要经过设计评审、代码扫描和自动化测试的验证。
从已公布的效果看，AI Coding 在金融研发流程中的收益正在变得可量化。奇富科技介绍，引入 AI Coding 后技术领域需求交付效率提升 65%，迭代周期缩短 55%，测试用例生成效率提升 80%，回归测试周期缩短 60%，运维故障定位耗时减半；民生银行的大模型研发辅助工具已覆盖超 1600 名自主研发人员。腾讯云在覆盖 500 人研发团队的实测中，AI 生成有效代码平均采纳率为 54%，单元测试覆盖率提升至 90% 以上，代码评审时长从约 1 天缩短至 1—2 小时。
综合来看，这些实践的共性已经比较清楚：AI Coding 在金融科技研发中的价值上限，取决于上下文资产、工程规范与治理能力，而非单纯的模型能力。从 SDD 到 Harness Engineering，从 Agent Skills 到 MCP 工具链集成，金融科技机构正在把 AI 从"个人提效工具"改造为"组织级研发能力"。接下来的挑战，将集中在如何用统一的度量体系评估 Token 成本、执行轨迹质量与可治理度，让 AI Coding 的投入产出可量化、可治理、可持续。