Qt 智能体式开发
跨平台 AI，量产级生产力
智能体式开发（Agentic Development）正在从代码生成、测试到文档编写的完整软件生命周期中大幅提升生产力。Qt 为团队提供了安全实现这一目标的基础设施，即便是在资源受限的嵌入式硬件上也是如此。
嵌入式团队已在尝试
关键在于谁能率先将 AI 落地到生产环境
大多数开发团队都在尝试智能体式开发，如今这一趋势也越来越多地延伸到嵌入式软件领域。但真正能够放心地将 AI 生成的代码部署到硬件生产环境中的团队却少得多——在这些场景下，一个缺陷崩溃的不只是应用程序，而是整个设备。
生产力
智能体式开发不只是辅助，而是成倍提升生产力。它让开发者可以将整项任务委托给 AI 智能体完成。采用智能体式工作流进行编码、测试和文档编写的团队，其生产力已大幅超越单个开发者。
嵌入式领域的专业积累
工具再令人兴奋，嵌入式领域固有的限制也不会因此消失。有限的内存、实时性要求、安全认证与合规义务依然存在。关键在于在这些限制条件下开展工作，而非试图绕开它们。
结构性转变
向 AI 时代的转变是结构性的，而非周期性的。那些现在就着手打造智能体式工作流能力、建立人工参与（Human-in-the-Loop）监督机制并进行硬件感知优化的团队，将获得持续累积的优势。。
更快的上市速度
智能体式工作流压缩了从 UI 设计、测试生成到文档编写的完整开发周期，让团队在不牺牲质量的前提下更快交付产品。
AI 成本优化
Qt 的开源基础意味着大语言模型（LLM）已经了解 Qt，而专属的智能体技能与 MCP 工具则能降低 token 消耗，使智能体基础设施在规模化应用时依然保持经济高效。
降低合规风险
Qt 是一个稳固可靠的开发基础。AI 生成的代码只是在其上增加一层轻薄、可控的 AI 层，从而提升网络安全性、稳定性，并为满足监管合规要求做好准备。
人才与团队的可扩展性
当 AI 智能体接手可重复性工作后，开发者便能将精力集中在真正需要人类判断的环节，例如指导工作流的执行方向、有效评估产出结果。
资源受限环境同样能获得生产力提升
什么是智能体式开发？
智能体式开发是一种软件工程方法：AI 智能体接收目标后，能够自主规划、执行并迭代完成多步骤任务，例如编写代码、运行测试、生成文档或审查代码库。在这一过程中，人类工程师的角色是指导工作流的方向并审批最终产出。
这与 AI 辅助编码在范围上有本质区别。AI 辅助工具只针对开发者的单次提示做出响应，之后仍由开发者决定下一步该做什么；而智能体式工作流则将整项工作本身委托出去：智能体会把目标拆解为端到端的子任务，调用所需工具，自行检查产出结果，最后将结果交由人工审核与批准。
真正重要的是规模与可控性的结合。智能体可以并行运行，在庞大的代码库中工作，在几分钟内完成原本需要开发者数小时才能完成的任务。与此同时，人工参与（Human-in-the-Loop）架构确保速度的提升不会以牺牲质量或安全为代价。对嵌入式软件团队而言，这一点尤为重要——正是这种人工管控，使智能体 AI 在受监管、资源受限以及安全攸关的环境中同样具备可行性。
跨平台智能体式工作流
变革已然发生
智能体式工作流正在以任何单个开发者都无法企及的生产力水平重塑编程方式。编写代码、生成测试以及项目导航等工作流，正越来越多地由 AI 智能体执行。然而，Qt 始终认为，人工参与（Human-in-the-Loop）仍然是、也应当继续是这些工作流的主导者。
智能体 AI 如何影响生产力：示例数据
75% - 86%
领先模型在 QML100 基准测试单轮智能体任务中的得分。
10倍
例如智能体文档编写相较于单纯 AI 辅助所带来的生产力提升倍数。
30%
相较于通用智能体网络搜索，MCP 的 token 消耗成本占比。
为何选择 Qt 进行智能体式软件开发
Qt 的独特优势
Qt 并非在通用框架之上叠加一层通用 AI。它是少有的将框架、工具链与智能体基础设施一体化构建的平台，为跨平台开发（包括嵌入式软件）提供出色的支持。
专为跨平台开发而设计
Qt 专属的智能体技能与 MCP 服务专为跨平台开发而设计，充分考虑了各类目标硬件的限制条件，而非由通用工具改造而来。目前少有其他平台能在这一整合程度上与 Qt 相媲美。
大语言模型（LLM）对 Qt 的了解优于多数替代方案
Qt 的开源特性使得 Claude、GPT、Gemini 等前沿模型得以在大量真实的 Qt 代码、文档及其他网络内容上完成训练。闭源框架无法提供这一条件，这意味着基于 Qt 构建时，智能体从一开始就更"聪明"。
人工参与，程度可自主设定
Qt 的智能体架构让开发者始终是工作流的主导者，而非旁观者。如果您选择这样设置，智能体的工作会在开发流程的每个阶段都经过人类开发者验证。您始终掌控着智能体能做什么、不能做什么的边界。
硬件参与，用性能数据驱动优化
当软件需要可靠运行，尤其是在资源受限的嵌入式设备上时，性能与稳定性至关重要。
凭借数十年嵌入式软件领域的专业积累，基于 Qt 构建能帮助 AI 智能体生成遵循硬件最佳实践的精简代码。例如，智能体可以根据实时性能数据自主优化并重新部署代码，无需人工介入，从而编排出一套从框架、工具链到目标硬件的完整智能体式工作流。
开放工具链，兼容标准 AI 工具
Qt 可直接与 Claude Code、GitHub Copilot、Codex 等领先的智能体工程工具协同使用。该框架经过验证，遵循开放标准，因此企业不会被锁定在单一 AI 供应商。
为受监管行业提供稳定性保障
医疗、汽车、航空航天以及工业应用都有各自独特的合规要求。在欧盟，《网络弹性法案》（Cyber Resilience Act, CRA）正对大多数行业的软件产品设定严格要求。Qt 框架为满足包括 CRA、功能安全标准、ISO 26262 与 IEC 62443 环境等在内的监管合规要求提供了坚实基础。
以 Qt 作为基础，仅在其上叠加一层轻薄的 AI 层，管理整个技术栈并满足监管要求都会变得容易得多。
了解具体运作方式
贯穿完整软件生命周期的智能体式开发
了解 Qt 的智能体式工作流如何处理那些消耗团队大量时间的任务，从而让开发者能够专注于工作流的指导以及需要人工判断的决策。
内容看点：
00:00 面向真实生产软件的智能体式编程
00:23 为何大语言模型（LLM）已经了解 Qt
01:14 优势一：跨平台与嵌入式性能
02:24 优势二：Token 消耗与成本
03:00 优势三：稳定性、安全性与合规性
03:46 结语
致工程管理者
智能体 AI 真正改变了什么
超越生产力数字本身：智能体化转变对招聘方式、团队治理与研发团队领导方式究竟意味着什么。
获益
均衡的开发产能
智能体工具承担了大量重复性工作——不仅是编码，还包括测试生成、文档编写以及代码审查，即使面对庞大的代码库也是如此。这使资深开发者的精力得以重新投向架构设计、系统集成，以及那些真正需要人类判断的安全攸关决策。
获益
在可控风险下实现更快迭代
Qt 提供稳定的基础层，智能体定制则在此之上、在可控范围内进行。这样一来，企业既能获得 AI 加速开发带来的速度优势，又不会让软件暴露在不受约束的代码生成风险之中。
获益
招聘与上手门槛降低
智能体式工作流降低了新成员快速产生价值的门槛。领域知识被沉淀在智能体技能之中，而非仅停留在个人头脑里。团队的组织知识由此变得可以被系统化地共享。
管理
信任、自主权与验证
成功的团队会明确划定一条界线：哪些工作可以由智能体自主完成，哪些必须经过人工签批。Qt 的人工参与（Human-in-the-Loop）架构为企业提供了定义并落实这条界线的结构，而不是寄希望于智能体自我约束。
观看小组讨论会
聆听已在实践的嵌入式从业者分享经验
与四位嵌入式开发专家一起，坦诚探讨智能体式软件开发在生产环境中的真实样貌，而非停留于理论层面。
专家论坛：科技远见者说
面向嵌入式设备的智能体式开发：从实验到量产
四位资深从业者分享如何将智能体生成的代码可靠地落地到生产环境：他们如何在嵌入式开发的完整生命周期中运用智能体式工作流、如何划定信任与自主权的边界，以及这一转变对团队管理者意味着什么。
了解嵌入式团队如何将智能体应用于代码生成之外的更多环节
了解可靠的 AI 生成代码应具备哪些特征
将硬件参与（Hardware-in-the-Loop）思维融入工作流
理解这一转变对团队、岗位角色及招聘决策的意义
讨论嘉宾
Jacob Beningo
首席执行官
Beningo Embedded Group
Przemyslaw Nogaj
HMI 技术负责人
SpyroSoft
Peter Schneider
产品管理经理
Qt Group
日期
2026年7月15日
由 Qt Group 高级总监Kimmo Leppälä 主持
Qt 的智能体工具
Qt 提供多种智能体工具，帮助开发团队用 Qt 实现 AI 驱动生产，充分释放由此带来的效率提升。Qt 的智能体工具可与 Claude Code、GitHub Copilot 等主流 AI 工具协同使用，为其提供 Qt 与 QML 专属的知识与上下文，从而以更少的迭代次数实现更高质量的产出。
智能体技能与 MCP 工具
智能体技能为 AI 智能体提供通用大语言模型（LLM）不擅长的特定主题下的 Qt 专业知识；MCP 则赋予 AI 智能体对 Qt 的深度理解，从而提升代码质量、降低 token 成本。
Qt Creator IDE 中的智能体
Qt Creator 让开发者可以在 IDE 内轻松使用各类主流 AI 智能体，由它们代为执行各种操作。借助调用 Qt Creator 自身状态的能力，Qt 相关上下文还能得到进一步增强。
常见问题解答
Qt 的智能体式开发如何成倍提升效率？
- AI Tooling
- Agentic Engineering
在智能体 AI 方面，Qt 与其他 UI 框架相比如何？
- AI Tooling
- Agentic Engineering
在智能体 AI 方面，Qt 的核心优势在于其训练数据的深度积累。数十年积累下来的开放 Qt C++ 与 QML 代码，使前沿模型在开箱即用的情况下就能写出比闭源或成熟度较低的框架更好的 Qt 代码。相较于通常只针对单一或有限几类目标平台、且尚未发布专属智能体工具或 MCP 集成的替代方案，Qt 覆盖的硬件范围也更为广泛。
AI 辅助软件开发与智能体式开发有何区别？
- AI Tooling
- Agentic Engineering
像 GitHub Copilot 或 Qt Creator 的 AI 助手这类 AI 辅助工具，只是提供代码建议，具体每一步操作仍由开发者执行。智能体式开发（Agentic Development）则更进一步：AI 智能体能够在整个代码库中自主观察、规划、执行、验证并迭代。由此带来的生产力提升十分显著：AI 辅助工具最多能带来约 10% 的效率提升，而智能体方案则能成倍提升工程生产力。
智能体式开发正在如何改变软件的创建方式？
- Agentic Engineering
智能体式开发正在为软件的创建方式带来一场结构性且快速的变革。编码辅助工具在 2024 年迎来突破，完全智能体化的方案在 2025 年获得动能，而到 2026 年，行业重心已明显转向智能体工程。尽管人工参与仍然重要，但开发者的角色正从亲自动手编码，演变为主导智能体式开发工作流。
Qt 是否支持智能体式软件开发？
- AI Tooling
- Agentic Engineering
是的，无论在 IDE 内还是 IDE 外，Qt 都支持智能体式软件开发。首先，Qt 的开放生态意味着 Claude、GPT、Gemini 等前沿模型已经在 Qt 的 C++ 与 QML 代码上完成训练，领先模型在 QML100 基准测试的单轮任务中已取得 75%-86% 的得分。在通用大语言模型（LLM）不擅长之处，Qt 通过提供专属的、支持 MCP 的工具与智能体技能来填补空白，这些工具专为基于 Qt 的跨平台智能体式开发而设计。此外，IDE 内也支持智能体 AI，例如Qt Creator IDE 具备对 Qt 有感知能力的智能体 AI 功能。
Qt 对智能体工程持怎样的看法？
- Agentic Engineering
Qt 认为人工参与依然至关重要，尤其是在受监管行业中。Qt Group 的目标是让开发者成为智能体式工作流的架构师与主导者：将常规性工作委托给智能体完成，同时在设计、文档编写、代码审查以及质量保障等关键节点保留人工监督。