面向 AI 辅助编程场景的组织级能力评估与改进框架，包含五级成熟度定义、十五项实践域规范与六维度量化指标。
AI 编码工具已从个人尝鲜走向组织级采用，但缺乏统一的成熟度衡量标准。本体系按照过程改进框架的结构化思想，为组织提供一套可评估、可对标、可改进的 AICoding 能力框架。
AI 辅助编程（AICoding）正在重塑软件研发的交付方式。从代码补全、智能审查到自主生成，AI 工具的渗透率持续攀升。然而，组织在采用这些工具时面临一个核心困境：缺乏衡量自身 AI 编码成熟度的统一标尺。不同团队各行其是，工具选型随意，效果难以量化，安全合规风险难以识别，改进方向缺乏依据。
以商业目标驱动改进、以性能数据衡量效果、以分级实践定义能力——将能力域分类、实践分级、意图与价值描述等构件引入 AICoding 这一新兴领域的成熟度建设。
本体系按照过程改进框架的结构化思路，定义能力域分类、实践分级、意图与价值，同AI 编码的具体场景结合。
本体系将实践域归为四类能力域类型：Doing（执行）、Managing（管理）、Enabling（支撑）、Improving（改进），并对每条实践标注所属等级，而非对整个实践域划级。每个实践域包含"意图"（期望输出）和"价值"（业务收益）两个描述构件，强调围绕商业目标驱动改进。针对 AI 编码的特殊性，做了以下定义：
| 结构构件 | 通用定义 |
|---|---|
| 能力域类型（4类） | Doing / Managing / Enabling / Improving 四分类，定义每类在 AI 编码场景下的内涵与边界 |
| 实践域（PA） | 过程改进实践域集合， 15 个 AICoding 专属 PA（ACG、ACR、APT 等），聚焦 AI 与编码交叉域 |
| 实践分级 | 每条实践标注 L1-L5，同 PA 内不同等级实践构成实践组，L1-L3 为所有 PA 正式级别；L4-L5 仅 AMP/ACA/ACI 正式定义，其余 PA 标注为"扩展实践" |
| 意图与价值 | PA 的意图描述期望输出，价值描述业务收益，每个 PA 均定义意图与价值，价值聚焦 AI 编码带来的效能、质量、安全收益 |
| 成熟度等级（ML 1-5） | 组织级成熟度，要求所有 PA 达到对应能力等级，定义 ML 1-5，直接映射 L1-L3 实践级别（MLn = 所有 PA 满足 Ln 实践） |
| 性能报告 | 评估时提交组织性能数据，以定量数据说明能力变化，设计六维度度量指标体系，评估时须提交 AI 编码性能报告 |
| 治理（GOV） | 高层管理者在过程改进中的参与活动，纳入 AGV（AI 编码治理）实践域，强调管理层对 AI 编码战略的参与 |
五级模型从自发探索到持续优化，每一级建立在前一级的全部实践之上，不允许跳级。
| 等级 | 名称 | 核心特征 | 关键能力标志 | 典型痛点 |
|---|---|---|---|---|
| ML1 | 初始级 | 个人自发使用，无规范无监督 | 开发者开始接触 AI 编码工具 | 效果参差，质量不可控，知识不沉淀 |
| ML2 | 已管理级 | 项目级管理，基本流程覆盖 | AI 代码纳入审查，提示词有版本 | 各项目标准不一，难以横向复用 |
| ML3 | 已定义级 | 组织级标准，融入完整 SDLC | 统一工具链，组织级提示词工程管理、知识库，全员培训 | 缺乏量化数据支撑，优化凭经验 |
| ML4 | 量化管理级 | 数据驱动，量化质量门禁 | 度量体系完备，效能基线建立，ROI 可量化 | 改进仍偏被动，缺乏系统性根因分析 |
| ML5 | 优化级 | 持续创新，自适应改进 | 根因分析驱动，前瞻技术预研，行业最佳实践输出 | 需持续投入保持领先，组织变革管理挑战 |
上图展示了从 ML1 到 ML5，四类能力域的正式实践条目数量变化。ML1 时所有 15 个 PA 均满足 L1 实践，改进类实践域已有基础执行（如度量靠主观感受、无系统改进机制）；ML3 之后执行、管理、支撑类实践条目数不再增长——这些 PA 的 L4/L5 为扩展实践，不纳入评估；ML4/ML5 的增量来自改进类 PA 的正式 L4/L5 实践，标志组织从"经验驱动"进入"数据驱动持续优化"阶段。
每个成熟度等级包含四个要素：级别定义、准入要求、改进目的、组织特征。准入要求是"达到该级必须满足的条件"，改进目的是"达到该级后期望实现的业务价值"。
15 个实践域归入 4 类能力域类型，覆盖 AI 编码全生命周期的执行、管理、支撑与改进。
| 能力域类型 | 实践域 | 名称 | 核心关注点 |
|---|---|---|---|
| 执行类 AI 在开发核心活动中的应用 |
AAR | AI辅助需求分析 | 利用 AI 进行需求拆解、用户故事生成、验收标准推导、需求一致性检查 |
| AAD | AI辅助设计 | 利用 AI 辅助架构设计、方案评估、技术选型、设计文档生成 | |
| ACG | AI代码生成 | 代码补全、函数生成、重构建议、样板代码自动化、多语言转换 | |
| ACR | AI代码审查 | AI 辅助代码评审、缺陷检测、安全漏洞识别、规范合规检查 | |
| AAT | AI辅助测试 | AI 生成测试用例、测试代码、边界场景覆盖、缺陷预测 | |
| 管理类 AI 编码活动的规划与管控 |
APC | 编码规划与监控 | AI 编码任务规划、进度监控、资源分配、AI 介入度控制 |
| ARS | 风险与机会管理 | AI 编码安全风险、质量风险、合规风险识别与应对，机会捕捉 | |
| AGV | AI编码治理 | 高层参与、战略对齐、AI 编码政策制定、投资决策、组织变革 | |
| 支撑类 支撑 AI 编码落地的基础能力 |
APT | 提示词工程与管理 | 提示词设计、版本管理、复用共享、上下文工程、提示词效果评估 |
| ATI | 工具链集成 | AI 编码工具选型、IDE 插件部署与配置、工具链监控 | |
| AKM | 知识管理 | AI 编码知识库建设、最佳实践沉淀、上下文知识供给、经验复用 | |
| ATE | 培训与赋能 | AI 编码技能培训、提示词工程教育、安全意识培养、能力认证 | |
| 改进类 度量、分析与持续优化 |
AMP | 效能度量 | AI 编码效能指标定义、数据采集、基线建立、度量报告、趋势分析 |
| ACI | 持续改进 | 改进项识别、改进计划、改进执行、效果验证、流程优化闭环 | |
| ACA | 根因分析 | AI 编码缺陷与效能问题根因分析、系统性问题识别、预防措施 |
每个实践域包含意图（期望输出）、价值（业务收益）和分级实践条目。L1-L3 为正式评估级别，所有 PA 均须定义；L4-L5 仅 AMP、ACA、ACI 三个改进类 PA 定义为正式级别，其余 PA 以"扩展实践"标注，供追求卓越的组织参考，不纳入成熟度评估。
读者在浏览后续实践域规范时会注意到每条实践标注了 L1-L3（正式）或"扩展"（L4/L5）等级，而评估判定时直接使用 ML1-ML5 成熟度等级。两者构成自下而上的评估链条，需要先理清它们的映射关系。
体系采用两层结构。第一层是实践条目分级 L1-L3（正式）+ L4-L5（按需），这是最细粒度的单元，描述每个实践域内部"该做什么"。L1 是最基础的执行动作，L3 是组织级标准化。L1-L3 对全部 15 个 PA 正式定义，是成熟度评定的直接依据：MLn 要求所有 PA 满足 Ln 实践。L4（量化管理）和 L5（优化创新）仅对 AMP、ACA、ACI 三个改进类 PA 正式定义——量化与优化是横切关注点，由专门 PA 承载而非分散到每个 PA。其余 12 个 PA 的 L4/L5 以"扩展实践"标注，供追求卓越的组织参考，不纳入评估。比如 ACG（AI 代码生成）的 L2 是"项目级指南发布，AI 代码须经人工审查"，其 L4 内容（AI 代码缺陷密度量化度量）标注为扩展实践，对应的量化能力由 AMP 统一承载。第二层是成熟度等级 ML1-ML5，对整个组织打分，要求所有 15 个 PA 同时满足对应级别的实践条目（MLn = 所有 PA 满足 Ln），加上度量指标达标率综合判定。ML4 额外要求 AMP、ACI、ACA 三个改进类 PA 的 L4 实践满足，ML5 额外要求 ACA 与 ACI 的 L5 实践满足。
| 成熟度等级 | 所有 PA 的实践条目要求 | 度量指标要求 | L4/L5 实践要求 |
|---|---|---|---|
| ML1 | 全部 PA 满足 L1 实践 | 无强制要求 | — |
| ML2 | 全部 PA 满足 L1+L2 实践 | 采纳度+协作与知识维度达标 | — |
| ML3 | 全部 PA 满足 L1+L2+L3 实践 | 采纳+效能+安全+协作与知识维度达标 | — |
| ML4 | ML3 基础保持不变 | 六维度指标达标率≥80% | AMP、ACI、ACA 三个改进类 PA 的 L4 实践须满足 |
| ML5 | ML4 基础保持不变 | 六维度指标达标率≥90% | ACA（根因分析）与 ACI（持续改进）的 L5 实践须满足 |
下表以矩阵形式呈现 ML1-ML5 各等级对 15 个实践域与六维度度量指标的具体要求。PA 行中 ✔ 标注该级别新增的实践级别要求，"—" 表示维持上一级别要求不变；度量指标行中 ✔ 表示该维度在此级别须达标。
| 实践域 / 度量指标 | ML1 初始级 |
ML2 已管理 |
ML3 已定义 |
ML4 量化管理 |
ML5 优化级 |
|---|---|---|---|---|---|
| 执行类（Doing）— 5 PA | |||||
| AAR 需求分析 | L1 ✔ | L2 ✔ | L3 ✔ | — | — |
| AAD 辅助设计 | L1 ✔ | L2 ✔ | L3 ✔ | — | — |
| ACG 代码生成 | L1 ✔ | L2 ✔ | L3 ✔ | — | — |
| ACR 代码审查 | L1 ✔ | L2 ✔ | L3 ✔ | — | — |
| AAT 辅助测试 | L1 ✔ | L2 ✔ | L3 ✔ | — | — |
| 管理类（Managing）— 3 PA | |||||
| APC 规划监控 | L1 ✔ | L2 ✔ | L3 ✔ | — | — |
| ARS 风险机会 | L1 ✔ | L2 ✔ | L3 ✔ | — | — |
| AGV 编码治理 | L1 ✔ | L2 ✔ | L3 ✔ | — | — |
| 支撑类（Enabling）— 4 PA | |||||
| APT 提示词管理 | L1 ✔ | L2 ✔ | L3 ✔ | — | — |
| ATI 工具链集成 | L1 ✔ | L2 ✔ | L3 ✔ | — | — |
| AKM 知识管理 | L1 ✔ | L2 ✔ | L3 ✔ | — | — |
| ATE 培训赋能 | L1 ✔ | L2 ✔ | L3 ✔ | — | — |
| 改进类（Improving）— 3 PA | |||||
| AMP 效能度量 | L1 ✔ | L2 ✔ | L3 ✔ | L4 ✔ | — |
| ACI 持续改进 | L1 ✔ | L2 ✔ | L3 ✔ | L4 ✔ | L5 ✔ |
| ACA 根因分析 | L1 ✔ | L2 ✔ | L3 ✔ | L4 ✔ | L5 ✔ |
| 度量指标（六维度） | |||||
| A 采纳度维度 | — | ✔ | ✔ | ✔ | ✔ |
| B 效能维度 | — | ✔ | ✔ | ✔ | ✔ |
| C 质量维度 | — | — | — | ✔ | ✔ |
| D 安全合规维度 | — | — | ✔ | ✔ | ✔ |
| E 价值维度 | — | — | — | ✔ | ✔ |
| F 协作与知识维度 | — | ✔ | ✔ | ✔ | ✔ |
| 达标率阈值 | — | — | — | ≥80% | ≥90% |
注：ML4 要求六维度达标率 ≥80%，ML5 要求 ≥90%。ML2-ML3 的维度要求为该维度内指标须达标，不设达标率阈值。
上图是一个 ML1 组织向 ML3 跃迁的评估剖面，覆盖全部 15 个实践域。执行类实践中 ACG（代码生成）已达 L2，其余多停留在 L1；管理类与改进类实践域（ARS、ACI、ACA）仍处于初始水平。雷达图直观揭示了该组织向 ML3 跃迁时需要优先补齐的短板——尤其是管理类与改进类 PA实践。
六维度指标体系覆盖采纳、效能、质量、安全、价值与协作，每项指标定义度量方式与分级目标基线。各维度按成熟度等级递进引入：ML2 要求采纳度与协作与知识维度达标，ML3 增加效能与安全合规维度，ML4 起六维度全量达标（达标率≥80%），ML5 达标率≥90%。
上图展示了三项核心指标的目标值演进。AI 代码采纳率在 ML4 达到 50% 后趋于饱和——这意味着并非采纳率越高越好，而是要在采纳率与质量之间找到平衡点，这也是 ML4 引入质量门禁、ML5 强调自适应优化的原因。开发周期缩短率从 ML3 起设定基线（B 效能维度从 ML3 起纳入度量要求）。
| 指标 | 定义 | 度量方式 | 分级目标基线 |
|---|---|---|---|
| AI工具渗透率 | 使用AI编码工具的开发者占比 | 使用人数 / 总开发人数 | ML2≥40% · ML3≥80% · ML4≥95% · ML5≥98% |
| AI代码采纳率 | AI建议代码被采纳的比例 | 采纳建议数 / 总建议数 | ML2≥20% · ML3≥35% · ML4≥50% · ML5≥55% |
| AI编码活跃度 | 日均AI交互频次 | 总交互数 / 活跃天数 / 人数 | ML3≥30 · ML4≥50 · ML5≥60 |
| AI代码贡献占比 | AI生成代码占总新增代码比例 | AI生成行数 / 总新增行数 | ML2≥8% · ML3≥15% · ML4≥30% · ML5≥40% |
| 指标 | 定义 | 度量方式 | 分级目标基线 |
|---|---|---|---|
| 开发周期缩短率 | AI辅助后交付周期缩短比例 | (原周期 − 现周期) / 原周期 | ML2≥10% ·ML3≥15% · ML4≥25% · ML5≥35% |
| 代码编写效率 | 单位时间产出代码量 | 功能点/人天 或 有效LOC/人时 | ML2提升≥20% · ML3提升≥30% · ML4≥40% · ML5≥55% |
| 首次完成时间 | 需求到首次可运行代码时间 | 小时数（中位数） | ML3缩短≥30% · ML4≥50% · ML5≥65% |
| PR合并周期 | 从提PR到合并的平均时长 | 小时数（中位数） | ML3≤8h · ML4≤4h · ML5≤2h |
| 指标 | 定义 | 度量方式 | 分级目标基线 |
|---|---|---|---|
| AI代码缺陷密度 | AI生成代码的缺陷数/千行 | 缺陷数 / (AI代码行数 / 1000) | ML4≤5×1.0 · ML5≤5×0.8 |
| AI代码返工率 | AI代码被修改或删除比例 | 变更行数 / 原始AI代码行数 | ML4≤15% · ML5≤10% |
| AI辅助缺陷检测率 | AI发现的缺陷占总缺陷比例 | AI发现数 / 总缺陷数 | ML4≥40% · ML5≥60% |
| 指标 | 定义 | 度量方式 | 分级目标基线 |
|---|---|---|---|
| AI代码安全扫描覆盖率 | AI代码经安全扫描的比例 | 已扫描 / 应扫描 | ML3≥90% · ML4≥100% · ML5=100% |
| 许可证合规审查率 | AI引入代码的许可证审查覆盖率 | 已审查 / 引入总数 | ML3≥95% · ML4≥100% · ML5=100% |
| 敏感信息泄露事件数 | AI交互中泄露敏感信息次数 | 事件计数（季度） | ML3=0 · ML4=0 · ML5=0 |
| AI幻觉缺陷率 | AI生成错误/不存在代码的比例 | 幻觉缺陷数 / AI生成代码单元数 | ML3≤5% · ML4≤2% · ML5≤1% |
| 指标 | 定义 | 度量方式 | 分级目标基线 |
|---|---|---|---|
| 研发成本节省率 | AI编码带来的成本节约比例 | 节省人天×单价 / 总研发成本 | ML4≥20% · ML5≥30% |
| 人均产出提升率 | 人均功能点/交付物提升比例 | (现产出 − 基线产出) / 基线产出 | ML4≥30% · ML5≥45% |
| 业务需求响应速度 | 需求到上线的平均时长缩短 | 天数缩短比例 | ML4≥35% · ML5≥50% |
| 指标 | 定义 | 度量方式 | 分级目标基线 |
|---|---|---|---|
| 提示词工程覆盖率 | 已纳管的提示词工程资产类型数（提示词、规则、Skills、规范） | 已纳管类型数 / 4 | ML2≥1类 · ML3≥3类 · ML4=4类 · ML5=4类 |
| 提示词资产复用率 | 复用组织级提示词的比例 | 复用次数 / 总使用次数 | ML3≥30% · ML4≥50% · ML5≥70% |
| 知识库贡献度 | 开发者贡献AI编码知识条目数 | 月均人均贡献数 | ML3≥1 · ML4≥3 · ML5≥5 |
| 人机协同满意度 | 开发者对AI编码体验评分 | 1-5分问卷（中位数） | ML3≥3.5 · ML4≥4.0 · ML5≥4.5 |
评估采用"实践条目符合度 + 度量指标达标率"双维判定模型，实践符合度回答"做了没有"，指标达标率回答"做得怎样"。
本体系采用成熟度等级（ML）设计，实践条目分级 L1-L5 直接映射成熟度等级 ML1-ML5，不设独立的能力等级中间层。评估时从实践符合度与度量指标达标率两个维度综合判定，两者关系如下：
| 成熟度等级 | 实践条目要求 | 度量指标要求 | 附加要求 |
|---|---|---|---|
| ML1 | 所有 PA 满足 L1 实践 | 无强制要求 | — |
| ML2 | 所有 PA 满足 L1+L2 实践 | 采纳度+效能+协作与知识维度达标 | 提交项目级性能报告 |
| ML3 | 所有 PA 满足 L1-L3 实践 | 采纳+效能+安全+协作与知识维度达标 | 提交组织级性能报告 |
| ML4 | ML3 + AMP/ACI/ACA 的 L4 实践满足 | 六维度指标达标率≥80% | 度量基线建立，ROI 可量化 |
| ML5 | ML4 + ACA/ACI 的 L5 实践满足 | 六维度指标达标率≥90% | 根因分析常态化，有行业输出 |
| 级别 | 名称 | 含义 | 判定标志 |
|---|---|---|---|
| L1 | 基础执行 | 实践域活动已开展，AI 编码工具被使用 | 有执行证据，无流程约束 |
| L2 | 项目级管理 | 实践在项目级被管理，有规范有记录 | 项目级规范运行，有记录可追溯 |
| L3 | 组织级标准 | 实践在组织级标准化，有资产有培训 | 组织级标准执行，有知识资产 |
| L4 | 量化管理 | 实践效果以量化指标度量与管控（改进类 PA） | 有量化基线，偏差可监控 |
| L5 | 优化创新 | 基于数据驱动持续优化与创新（仅 ACA/ACI） | 有根因分析，有改进闭环 |
确定评估范围（组织单元、项目集、技术栈），组建评估组（须含工程效能、安全、研发代表），准备评估计划与证据采集清单。
逐个 PA 对照分级实践条目，通过文档审查、工具日志抽查、人员访谈采集证据。每个 PA 从 L1 到 L3 逐级判定，须满足该级全部实践条目方可定级。评估项目须从组织全部项目中随机抽取。
采集六维度指标的实际值，对照分级目标基线计算达标率。数据须来自自动化采集系统（IDE 插件），禁止人工填报。ML4 及以上要求达标率分别 ≥80%（ML4）和 ≥90%（ML5）。
生成 AI 编码性能报告，包含各 PA 实践符合度、指标达标率、效能趋势图与改进建议。性能报告不用于横向组织比较，仅供 Sponsor 了解组织能力变化。
综合实践条目符合度与度量指标达标率，按双维模型判定最终成熟度等级。取两者中较低的结果为准——实践到位但指标不达标，或指标达标但实践缺失，均不能升级。
从 ML1 到 ML5 是一个渐进式旅程，每个阶段有明确的核心任务、时间预期与成功标志。组织无需追求快速越级，而应在每级夯实基础后再向上跃迁。
| 阶段 | 核心任务 | 时间预期 | 关键产出 | 跃迁成功标志 |
|---|---|---|---|---|
| ML1→2 | 建立项目级 AI 编码规范，将 AI 代码纳入审查，启动基础度量 | 3-6 个月 | 项目级 AI 编码指南、AI 代码审查流程、提示词模板库、敏感信息防护规则 | AI 代码 100% 经审查，采纳率≥20%，提示词工程覆盖率≥1类 |
| ML2→3 | 组织级标准化，统一工具链，建设知识库与培训体系，融入全 SDLC | 6-12 个月 | 组织级 AI 编码标准、统一平台、提示词库、知识库、培训体系、全员认证 | 培训覆盖率≥80%，工具链统一部署，AI 编码融入全链路 |
| ML3→4 | 建设度量体系，建立效能基线，部署量化质量门禁，ROI 量化 | 6-9 个月 | 六维度度量仪表盘、效能基线、IDE 质量门禁、ROI 报告 | 六维度指标达标率≥80%，质量门禁自动运行，ROI 可量化 |
| ML4→5 | 建立根因分析机制，前瞻技术预研，自适应流程优化，行业输出 | 12-18 个月 | 根因分析知识库、技术预研成果、自适应优化机制、行业最佳实践 | 根因分析常态化，自适应优化运行，有行业影响力输出 |
组织在 ML1 时直接追求 ML3 的规模化部署，跳过项目级管理积累。结果是工具铺开了但质量失控、安全事件频发，最终被迫回退。规避：每级至少运行 3 个月，确认全部准入要求满足后再启动跃迁计划。
投入大量资源采购和部署 AI 编码工具，但忽视提示词管理、代码审查、度量体系等流程建设。工具能力无法转化为组织能力。规避：工具预算与流程建设预算按 6:4 分配，流程先行或同步推进。
依赖人工填报采集指标数据，或选择性 reporting 达标指标、隐藏不达标指标。规避：ML3 起强制采用系统自动化采集数据，数据源锁定在 IDE 插件，原始数据不可篡改。
将安全合规留到 ML3 甚至 ML4 才开始重视，导致早期积累大量技术债与合规风险。规避：ARS（风险与机会管理）的 L2 实践从 ML2 起即要求安全风险被识别与管理，敏感信息防护规则在 ML1 末即应落地。