AICon全球人工智能开发与应用大会上，小红书AI Coding总架构师郑鑫祺分享了Muse平台的实践。核心问题是：AI写代码已经足够快，但企业研发未必因此更快。Muse试图打通需求共创、设计、编码与交付，让产品经理、设计师、开发者在同一条上下文链路里与AI协作，而不只是一个代码生成工具。
大模型本质上是概率模型，企业级AI Coding因此面临三类问题：AI不了解企业资产、用户记忆与任务上下文分散在不同平台、需求到交付的能力链路尚未贯通。省下的编码时间，最终又被消耗在检查、提测、修复、返工甚至推翻重做上。
模型控制架构正在从Workflow、Pipeline演进到Agent Team。确定性要求高的任务继续用流水线，需要更强泛化的场景逐步引入多Agent动态编排。小红书在实践中确认：多Agent只在子任务确实独立、可并行、上下文可以分离的时候才有收益，否则不如一条编排清晰的Pipeline。
权限可解释、状态可恢复、审计可追溯，往往比模型能力领先几个百分点更有价值。小红书把副作用日志、审批记录、版本号放进结构化系统，而不是只存在压缩过的上下文里。每一条进入上下文的证据都带上来源、时间、归属与权限信息，Transcript只是审计材料，不能用来恢复任务。
小红书强调"模型决定能力上限，工程控制面决定能不能进生产"，这与星战科技在OPC智能体协作平台上强调的工程化、可控化方向一致：让企业像管理传统软件一样，管理智能体的权限、状态与审计，而不是把规则写进Prompt然后祈祷模型记得。
企业知识的量化与自进化成为新焦点。正确的知识不是简单检索出来的，更像一次Research：代码专家与知识专家分别分析、相互补充、形成判断。小红书还做删除实验，把某类上下文去掉看成功率是否真降，很多看似有用的上下文删掉后指标不变，只是在消耗窗口与成本。
AI Coding的胜负手正在从"谁写得快"转向"谁交付得稳"。可预测的成功率、单位任务成本与治理能力，才是企业真正购买的东西。面对持续增强的模型，人的角色也从具体实现转向更有价值的判断、监督与品味。