代理式开发正在重塑软件创建的方式，成倍提升开发者的生产效率。这一变革比大多数团队预期的速度都要快。最初，这场转变发端于在传统 IDE 中引入 AI 辅助开发，带来有限的效率提升；如今，它已演进为代理式工程工作流——自动编写代码、生成测试用例，以及创作代码文档。尽管 AI 智能体为 Qt 等开源框架生成的代码质量已相当不错，但该技术尚未具备完全自主运行的能力。专属的智能体技能（agent skills）和 MCP 工具可高效弥补这一差距，同时确保人类始终作为工作流的主导者参与其中。
超越 AI 辅助开发：迈向真正的代理式 AI
软件开发正经历从传统 IDE 使用和 AI 辅助编程，向全面代理式工程演进的根本性转变。包括 Qt 在内的开放框架与生态系统在这一新格局中占据有利位置——AI 模型可从中学习，天然契合 AI 驱动的开发工作流。然而，AI 智能体在处理软件开发全流程方面仍有明显不足。
不可逆的转折点
2024 年是 IDE 内编码助手全面突破的年份。向 Claude Code 和 Codex 等代理式开发解决方案的迁移在 2025 年持续提速。2026 年，行业重心正进一步向代理式工程倾斜。这一趋势的加速推手之一，是曾作为下一代 IDE 明星的 Cursor——它近期推出了代理式开发体验，给人一种与 Claude Code 高度相似的感受，这并不令人意外。尽管传统 IDE 在本十年内仍有其价值，但告别纯手工编程的转型已势不可挡。
Qt 开放生态的训练数据优势
前沿模型在编写基于 Qt 的 UI 方面已相当出色。由于 Qt 采用源代码开放的方式，大型语言模型得以从大量多样化的预训练素材中学习。
Claude、GPT 和 Gemini 等模型在单轮任务基准测试（如 QML100 基准）中的编程表现已超过 75%，最高达到 86%。对 Qt 而言，源代码开放的跨平台框架使前沿模型能够从种类丰富的预训练素材中汲取知识。Qt 框架的广泛采用，以及由此积累的、通过人类反馈强化学习（Reinforcement Learning from Human Feedback，RLHF）进行的持续微调，进一步巩固了 Qt 在 AI 智能体中的可用性。
超越预训练：当前智能体的局限
即便前沿模型在日常 Qt UI 代码编写方面已经足够出色，代理式开发解决方案的局限仍然突出。AI 智能体尚无法完成的任务，依然多于其能够处理的任务：将 Figma 设计转换为 UI 代码、管理 CMake 项目上下文、实现复杂 UI 控件、按需安装 Qt 库、创建 Qt 测试用例，或配合代码检查工具进行深度代码审查。仅凭预训练和微调，即便是前沿模型也难以独立完成这些工作。
缩小差距：MCP 工具和代理技能
通过模型上下文协议（Model Context Protocol，MCP）将代码检查工具、性能分析器等传统工具接入 AI 智能体，将有效缩小人类开发者与 AI 智能体之间的能力差距。
智能体技能（agent skills）将专业领域知识直接引入 AI 驱动的开发工作流。技能是一种可移植、受版本控制的软件包，为 AI 智能体赋予特定任务所需的专业知识与能力——涵盖避免常见编码错误、创建单元测试、深度分析 Qt C++ 代码，以及生成 API 文档等场景。开发者无需单纯依赖预训练模型的固有知识，借助技能即可灵活组合出精准匹配自身需求的代理式工作流。
每项技能按需加载资源，因此无论安装了多少技能，智能体的活跃上下文始终保持精简。当任务触发时——无论是编写 QML 绑定、审查代码，还是生成结构化代码文档——AI 智能体都会根据上下文自动选取相关技能，调用其内置工具执行，并输出高质量、一致的结果。
由于智能体技能遵循开放标准，为开发工作流编写的技能可跨任何兼容代理式开发解决方案使用，为构建跨平台应用（尤其是嵌入式设备 UI）的团队提供持久的技术投入价值。
图示：Qt C++ 代码审查技能的功能示意图
代理开发工作流
软件开发者的角色正从简单的 AI 辅助开发，向制定方向、统筹管理 AI 智能体工作的模式演进。在 Qt，我们致力于积极推动这一转变，面向跨平台开发构建端到端的代理式工作流，并始终将"人在环路中"作为核心原则。
人类主导，智能体执行
IDE 插件式编码助手（如 GitHub Copilot）在采用代理式行为之前，所带来的效率提升幅度有限，通常为个位数百分比。而代理开发解决方案则有望通过自动化应用创建中的大部分环节，成倍提升软件工程速度。在 Web、桌面和移动应用开发领域，我们已经能看到这一趋势。
Qt 坚信，在专业软件开发中，人类始终处于关键的主导地位。为此，我们将通过提供技能和支持 MCP 的工具，逐步构建完整的工作流，推动跨平台应用代理式工程的落地。
图示：代理式开发工作流简化示意图
开发者：从执行者到架构师与主导者
未来，现代跨平台开发者将把编写样板代码、创建测试用例和代码文档等大量软件工程任务委托给 AI 智能体。软件开发者的角色将逐步转型为：制定架构与技术决策、通过开发路线图和测试框架统筹工作流，以及引导 AI 智能体向既定目标推进。代码审查与质量保障将成为开发工作流新的瓶颈所在。
随着 AI 智能体生成的代码量和测试用例不断增加，代码审查——尤其是在受监管行业中——将呈现全新形态。深度代码分析，聚焦识别冗余低效的代码结构，将有助于应对未来的技术债务积累。代码安全分析（如借助 Claude Mythos 等模型）将帮助 AI 智能体生成的嵌入式设备代码满足网络安全合规要求，例如《欧盟网络弹性法案》（EU Cyber Resilience Act）。
展望未来：大规模代理式开发
AI 智能体现已能够编写 Qt UI 代码，得益于数十年积累的 Qt C++ 和 QML 训练数据。但这仅仅是开始。未来几年，跨平台开发将迎来有史以来规模最大的一次变革。
尽管对熟练软件工程师和优化 IDE 的需求在未来数年内仍将持续存在，各类营利性组织将加大对代理式开发解决方案的投入，以实现开发工作流自动化，保持竞争优势。组织将在各开发团队中不断引入并优化 AI 智能体技能和 MCP 工具，同时引导一线贡献者专注于创新性、高复杂度及承担责任的工作。Qt Group 将全程支持我们的客户和生态系统完成这一转型。