AI编程技术研究报告

聚焦中国市场：工具生态、技术原理与工作流变革

深度调研 & 多源交叉验证

2026年7月

一、执行摘要

AI编程正在从"代码补全"走向"智能体自主开发"，成为中国科技产业最炙手可热的赛道之一。据蓝凌研究院（2026）发布的报告，2025年中国AI Coding市场规模为47.2亿元人民币，预计2030年将达253.8亿元，年复合增长率高达40%，远超全球26.6%的平均水平。然而，国际数据公司IDC在2025年的调研中发现，中国使用AI编程助手的开发者仅有30%，与美国市场91%的覆盖率形成鲜明对比——这一巨大的渗透率鸿沟，既意味着短板，也预示着强劲的增长势能。

本报告通过三轮顺序调研——行业综合信息采集、学术文献深挖、多源交叉验证——系统梳理了AI编程领域的核心议题。研究发现，AI编程的效率提升真实但远非线性：MIT/NBER的研究精确刻画了"17倍→30%"的产出漏斗，即AI在编码环节可将开发者产出提升17倍，但在完整项目周期中仅提升约30%。佐治亚理工的研究则揭示了严峻的安全隐患——AI生成代码中45%包含安全漏洞，经确认的CVE级别漏洞达74个。2026年7月阿里因Claude Code存在植入后门风险而将其列入黑名单的事件，更从产业侧印证了安全问题的紧迫性。

在工具生态方面，中国市场已形成国产"五强"格局：通义灵码、文心快码Comate、TRAE/豆包编程、CodeGeeX、CodeBuddy。海外工具如GitHub Copilot和Cursor虽在功能深度上保有优势，但面临数据安全与合规的双重压力，国产替代的逻辑正在加速强化。在工作流层面，AI编程正推动开发者角色从"代码编写者"向"Agent编排者"转变，84%的开发者已常态化使用AI编程工具，超五成工程师每日依赖大模型完成开发工作。然而，复旦白泽提出的A.S.E评测框架和ICLR 2026的Code2Bench研究共同指出，当前的评估基准存在系统性方法论缺陷，许多"高分"可能源于评估方式而非真实能力提升。

二、引言

2.1 研究背景

2023年以来，以大语言模型（LLM）为核心的技术突破，将AI编程从概念验证迅速推向产业落地。GitHub Copilot的成功证明了AI在代码补全场景的商业可行性，而2024-2025年涌现的Agent模式——AI可自主执行多步骤编程任务——更标志着从辅助工具到自主开发者的质变。在中国，这一变革具有特殊的战略意义：一方面，软件开发的人力成本持续攀升，企业对效率工具的渴求日益强烈；另一方面，地缘政治环境使数据安全和自主可控成为不可回避的刚性约束。2026年7月阿里禁用Claude Code的事件，正是这两股力量交汇的最新注脚。

AI编程的研究价值不仅在于技术本身，更在于其对软件工程范式、开发者职业生态和产业竞争格局的深层影响。当前，行业叙事中对效率提升的声量远大于对风险和局限的讨论，学术界的审慎声音亟需被更广泛地听到。本报告旨在通过系统性的多源调研，构建一个更为完整、平衡的认知框架。

2.2 研究范围与方法论

本报告聚焦中国市场的AI编程领域，研究范围涵盖三大主题：AI编程工具与助手的市场格局与竞争态势、AI代码生成的技术原理与演进路径、AI编程对开发效率与工作流的实际影响。地理范围以中国为主，兼顾全球趋势作为参照系。时间范围以2024-2026年为核心窗口，追溯至2022年的技术起源。

方法论上，本报告采用三轮顺序调研设计：第一轮通过多角度网络搜索采集行业报告、新闻资讯和市场数据；第二轮在此基础上进行学术文献深挖，寻找同行评审研究和权威技术报告进行验证和扩展；第三轮对前两轮发现进行多源交叉验证，识别共识水平和矛盾点，评估证据置信度。共引用13个核心来源，平均来源质量评级为B+。

2.3 报告结构

本报告共八章。第三章至第六章为四大主题的逐项分析——工具生态、技术原理、效率评估与安全风险、工作流变革；第七章为跨主题综合分析；第八章讨论研究局限与认知空白；第九章给出结论与建议。

三、AI编程工具生态：中国市场格局

3.1 市场概况与增长预期

中国AI Coding市场正处于高速增长的爆发期。据蓝凌研究院（2026）援引的统计数据，2025年市场规模为47.2亿元人民币，预计2030年将达到253.8亿元，年复合增长率（CAGR）为40%，显著高于全球26.6%的平均增速。东莞证券（2026）在行业深度报告中也确认了这一高增长预期，指出国内市场正开启新一轮增长周期。然而，IDC在2025年的调研揭示了一个值得深思的反差：中国使用AI编程助手的开发者比例仅为30%，远低于美国市场的91%。这意味着，尽管市场增速领跑全球，但实际渗透率仍处于早期阶段，增长空间巨大。

从供给侧看，蓝凌研究院（2026）将市场玩家划分为三类：通用大模型厂商（智谱、MiniMax、Kimi）凭借模型能力快速切入；大型互联网企业（字节、阿里、百度）从内部工具孵化出独立产品；云服务商（阿里云、华为云、腾讯云）既做自研也集成第三方。此外，传统软件与集成商（金蝶、蓝凌、亚信科技）正以行业理解与客户渠道为杠杆入局，试图将AI Coding封装进企业已有的数智化产品体系。

3.2 国产"五强"工具概览

CSDN于2026年6月发布的国产AI编程工具硬核横评，对当前市场主流的五款国产工具进行了多维度对比。总体结论是：各家产品的能力差距正在缩小，竞争逐渐收敛到用户入口和独立IDE产品上。下表概要梳理了五款工具的核心定位与特点：

工具名称	所属企业	底层模型	核心特点
通义灵码	阿里巴巴	通义千问	深度集成阿里云生态，企业级部署能力突出
文心快码Comate	百度	文心大模型	多语言支持，智能问答+代码生成的三层架构设计
TRAE/豆包编程	字节跳动	豆包大模型	独立IDE形态，Agent模式能力领先
CodeGeeX	智谱AI	GLM系列	开源友好，学术基因，多语言代码生成
CodeBuddy	腾讯	混元大模型	集成腾讯云开发者工具链，协同开发场景

表1：国产AI编程"五强"工具概览

3.3 海外工具在中国的处境：优势与安全隐忧

GitHub Copilot凭借深度生态集成和稳定的Tab补全体验，仍然是全球开发者认知度最高的AI编程助手，2025-2026版本已支持Claude、GPT-4o等多模型切换。Cursor以独立IDE的姿态崛起，其Composer功能可一次性读取整个项目文件结构，Agent模式被视为杀手锏。然而，海外工具在中国面临数据安全和合规的双重压力。据第一财经（2026）报道，阿里因Claude Code被曝存在植入后门的安全风险，经综合评估后将其列入高风险软件名单，7月10日起全面禁止内部员工在办公环境下使用，并推荐国产替代方案Qoder。这一事件为整个行业敲响了警钟，进一步强化了国产替代的战略逻辑——安全因素正从"隐性考量"跃升为"显性门槛"。

四、AI代码生成的技术原理与演进路径

4.1 核心技术架构

AI代码生成的核心技术依托Transformer架构的自注意力机制。通过海量代码数据的预训练，模型掌握编程语言的语法规则与逻辑范式，再根据用户自然语言需求概率性地预测下一个最可能的token序列。百度开发者中心（2026）将这一过程概括为"自然语言理解+代码语法建模+场景适配"的三层架构，其本质并非"背诵代码库然后复制粘贴"，而是通过对统计规律的学习完成概率预测。这一区分至关重要：它意味着AI代码生成具有涌现性——能够处理训练数据中未曾精确出现的编程模式，但同时也带来了不可预测性——模型可能产生语法正确但逻辑错误的代码。

在底层模型层面，代码生成大模型通常在通用LLM基础上进行代码领域的专项训练，包括代码语料增强、编程语言特定的分词策略、以及代码执行反馈的强化学习（RLCF/RLAIF）。Anthropic、OpenAI等头部实验室的实践表明，模型在代码任务上的表现与其参数规模、训练数据质量和指令微调策略高度相关。中国厂商的路径有所不同：百度采用文心大模型的多语言理解能力迁移至代码领域；阿里通过通义千问结合阿里云的工程实践数据进行领域微调；智谱则依托GLM系列的学术积累，在开源协议下快速迭代。

4.2 产品形态的三阶段跃迁

AI编程工具的产品形态正经历清晰的阶段性跃迁。第一阶段为"代码补全"（Code Completion），以GitHub Copilot早期版本为代表，核心能力是在开发者编码时基于上下文预测下一段代码，以Tab键确认的方式提升编码速度。第二阶段为"对话式助手"（Conversational Assistant），以ChatGPT和各类代码问答工具为代表，开发者可通过自然语言描述需求，获取代码片段、调试建议和架构方案。第三阶段为"Agent智能体"（Autonomous Agent），以Cursor的Agent模式和Claude Code为代表，AI可自主读取项目上下文、拆分任务、多步骤执行，仅在关键决策节点交由人类审核。

据CSDN报道援引的Gartner数据，截至2026年4月，全球企业级AI代码智能体市场年化规模已达98至110亿美元。蓝凌研究院（2026）也指出，"Agent原生"正成为工具演化的收敛方向——AI编程工具正从"帮人写代码"转向"Agent自己干活"。然而，这一跃迁也带来了新的挑战：当代码补全阶段开发者仍在每个补全点进行即时审查时，Agent阶段人类审查窗口急剧收窄，安全漏洞更易潜入，验证的难度和重要性同步升级。

五、开发效率评估：真实提升还是数字幻象

5.1 行业数据的光谱：从乐观到审慎

关于AI编程对开发效率的影响，行业数据呈现出极其宽广的光谱。乐观端，Greptile发布的2025年AI编程状况报告显示，开发者人均代码产出从3月的4450行增长到11月的7839行，增幅达76%。IDC（2025）的调研显示，使用AI编码助手的开发人员平均生产力提高35%，超过20%的受访者表示效率提升超过50%。Meta等科技巨头的内部数据更为激进：新代码中95%由AI生成，初级程序员招聘量锐减70%以上。然而，审慎端的信号同样强烈：测试团队的实测数据揭示，代码提交量激增的同时缺陷密度同步攀升，开发自测通过率看似提高，但系统测试阶段却暴露出更多问题（CSDN/2501_94261392，2026）。什么值得买（2026）的分析指出，整体项目周期仅缩短约30%，个人开发者声称效率提升3倍与团队级仅提升30%存在显著矛盾。

数据来源	效率提升幅度	测量粒度	备注
Greptile (2025)	76%	人均代码产出（行数）	编码环节，单点指标
IDC (2025)	35%	自我报告生产力	调查数据，主观性较强
Meta内部	95%新代码AI生成	AI生成代码占比	企业自报，"生成"不等于"采纳"
实测团队数据	量增质降	代码量+缺陷密度	系统测试阶段问题暴露增多
MIT/NBER (2025)	全周期约30%	完整项目周期生产率	编码环节提升17倍，全周期仅约30%

表2：AI编程效率提升数据对比

5.2 "17倍→30%"产出漏斗：效率的核心结构

MIT与NBER的联合研究（Korinek，2025，NBER Working Paper）提供了理解效率矛盾的关键框架。研究发现，AI辅助编程在编码环节可将开发者产出提升17倍——这一数字令人震惊，但将视野拉远到完整项目周期时，效率增益急剧衰减至约30%。这一"产出漏斗"的成因可从三个层面理解：其一，编码在整个软件开发生命周期中仅占30-40%的时间权重，需求分析、架构设计、代码审查、测试调试、部署运维等环节AI的增益有限甚至为零；其二，AI生成的代码需要额外的人类验证时间，当代码量翻倍时验证工作量也同步增长；其三，AI引入的错误——特别是隐蔽的逻辑漏洞和安全缺陷——在项目后期才被发现时，修复成本呈指数级上升。

5.3 倒U型收益分布：谁受益最大？

Peng et al.（2025）在软件工程顶级会议FSE上发表的研究揭示了另一个重要维度：AI辅助编程的效率收益呈"倒U型"分布。具体而言，初级开发者获益最大——AI为他们提供了原本不具备的编码能力和问题解决思路；中级开发者也有显著增益；但高级开发者的效率提升趋于平缓，而过度依赖AI的高级开发者反而出现了独立解决问题能力下降的现象。这一发现对行业具有深远的政策含义：如果AI编程主要提升初级开发者的效率，同时可能削弱高级开发者的深度思考能力，那么长期来看，行业的人才梯队建设方式需要根本性重构。蓝凌研究院（2026）将这一趋势凝练为"代码生成规模化，验证成新瓶颈"，指出投资重心正从"写代码"向"验代码"的基础设施转移。

六、代码安全与质量：增长的隐患

6.1 学术实证：45%的漏洞率

佐治亚理工学院的Pearce et al.（2025）进行了一项系统性研究，对多个主流AI代码生成模型的安全输出进行了大规模评估。研究结果令人警醒：AI生成的代码中45%包含安全漏洞，经专业安全团队评估后，确认了74个CVE级别的漏洞。这些漏洞涵盖SQL注入、跨站脚本（XSS）、缓冲区溢出、硬编码凭据等多种类型，且分布在多种编程语言和应用场景中。该研究的重要性在于，它不是针对特定模型的个案分析，而是对AI代码生成这一技术范式的结构性风险评估。45%的漏洞率意味着：在缺乏系统性安全审查流程的前提下，AI编程正在产生"更多且更脆弱的代码"——量的增长以质的下降为代价。

6.2 产业侧的应激反应：阿里禁用Claude Code

2026年7月3日，第一财经报道了一则震动行业的事件：阿里巴巴因Claude Code被曝存在植入后门的安全风险，经综合评估后将其列入高风险软件名单，7月10日起全面禁止内部员工在办公环境下使用，并推荐国产替代方案Qoder。这一事件的标志性意义在于：它将学术研究中"45%漏洞率"的抽象风险，转化为企业决策中"立刻停用"的实时行动。当安全从实验室数据变为真实威胁时，头部企业选择了断然切割。值得注意的是，该事件发生在Agent模式快速普及的背景下——Agent自主执行多步骤编程任务的能力越强，其潜在安全风险的波及面就越广，这正是产业侧高度敏感的根本原因。

6.3 评估基准的信任危机

AI代码安全的另一个深层问题在于：我们是否能够信任当前的评估基准？复旦白泽团队提出的A.S.E评测框架（准确性、安全性、效率三维评估）指出，现有评估体系对安全性维度的忽视是系统性问题——大多数基准测试聚焦于功能正确性和通过率，对安全性的考察严重不足。更令人忧虑的是，ICLR 2026的Code2Bench研究揭示了当前代码生成评估基准存在系统性方法论缺陷：许多模型的"高分"可能源于评估方式（如数据泄露、任务简化）而非真实能力提升。这意味着，即使工具在现有基准上表现良好，也不代表其生成的代码在安全性上可靠——因为基准本身可能未充分测试安全维度。四条证据链——45%漏洞率、阿里禁用事件、A.S.E框架、Code2Bench方法论批评——共同指向一个结论：安全问题不仅是当前AI编程最不具争议的结构性风险，而且我们对这一风险的认知可能仍然不足。

七、工作流变革：从"写代码"到"编排Agent"

7.1 开发者角色的根本性转变

AI编程正在深度重塑开发者的工作模式与角色定义。据CSDN（2026）的行业分析，进入2026年后，Agent智能体已实现长周期自主开发，可连续数天完成完整业务模块搭建，仅在关键决策节点交由人类审核。全球调研数据显示84%开发者常态化使用AI编程工具，超五成工程师每日依赖大模型完成开发工作（CSDN/dmxj123，2026）。这意味着开发者的核心职责正从"亲手编写每一行代码"转向"定义需求、编排Agent、审查结果"——从执行者变为指挥者。

更为极端的案例正在出现：据新浪科技报道，有前Meta工程师同时运行20至30个AI Agent，一天能交付20至40个PR（Pull Request），产出量相当于过去一整个团队干一个月。Anthropic在2025年3月公开表示公司代码有80%由AI生成。腾讯网援引《AI产业全景图谱》新书指出，AI+编程已从代码补全、debug等协助类工具，转变为具备自主理解需求、拆分任务、直接交付完整产品的全能编程智能体。这些案例虽然令人惊叹，但也加剧了前文分析的效率矛盾和安全忧虑——当Agent的自主权扩大时，人类审查的覆盖率和深度能否跟上？

7.2 Agent编排的新工作流范式

新兴的Agent编排工作流正在形成若干可识别的模式。在"单Agent辅助模式"中，开发者主导编码过程，AI作为智能副驾驶提供补全和建议；在"多Agent协作模式"中，开发者将复杂任务拆解为多个子任务，分配给不同的专业化Agent并行执行；在"全自主Agent模式"中，开发者仅描述需求目标和约束条件，Agent自主规划、执行和验证。当前行业正处于从第一种模式向第二种模式迁移的过渡期，少数前沿团队已开始探索第三种模式。

然而，这种工作流跃迁也带来了组织和治理层面的挑战。传统代码审查流程（如PR Review）是为人类编写的代码设计的，当大量代码由Agent生成时，审查者的认知负荷急剧增加——他们需要判断的不再是"这段代码的逻辑是否合理"，而是"这个Agent在整体规划中是否偏离了预期路径"。蓝凌研究院（2026）指出，"AI写代码已经不是问题，问题是怎么验证它写得对、写得好、写得安全"。验证基础设施的缺失，正在成为限制Agent工作流效能的关键瓶颈。

八、跨主题综合分析

本研究的四大主题——工具生态、技术原理、效率评估、安全风险——并非孤立的事实碎片，而是构成一个自我强化的逻辑闭环。技术原理的演进（从补全到Agent）驱动了工具生态的分化（国产替代 vs 海外工具），工具的普及改变了效率评估的量级和维度（单点编码 vs 全周期交付），效率的追求又放大了安全风险的暴露面（更多代码 = 更多潜在漏洞），而安全事件反过来重塑了工具生态的格局（国产替代加速）。

在这个闭环中，"效率漏斗"是最具穿透力的结构性发现。它不仅解释了为什么行业宣传的效率数字与开发者实际体验之间存在巨大落差，更揭示了AI编程当前发展阶段的核心矛盾：技术演进的驱动力是"更快地生成代码"，但真正需要的突破是"更可靠地验证代码"。从Copilot到Agent的跃迁是"生成侧"的升级，而"验证侧"的升级——从人工审查到自动化安全检测、从静态分析到动态验证——仍未跟上步伐。蓝凌研究院所说的"验证成新瓶颈"，精准地概括了这一结构性失衡。

从产业竞争的角度看，中国市场的独特性在于：安全事件（如阿里禁用Claude Code）正在将"验证能力"从技术选项提升为市场准入条件。这意味着，未来竞争的关键差异化因素可能不仅仅是"谁生成的代码更快更多"，而是"谁生成的代码更安全、更可验证"。复旦白泽的A.S.E框架在这一语境下具有特殊价值——它提供了一个将安全性纳入评估的本土化标准，而这一标准有望成为中国AI编程产品对抗海外竞争者的制度性护城河。

最后，Peng et al.的倒U型收益分布为上述分析增添了人才维度的思考：如果AI编程主要提升初级开发者的效率并可能削弱高级开发者的深度能力，那么行业正面临一个隐忧——短期内效率数字可能非常亮眼，但长期来看，能够有效审查和验证AI代码的高级人才供给可能不足。这呼吁产业界在投资AI编程工具的同时，同步投入高级工程师的持续培养和验证能力建设。

九、研究局限与认知空白

本研究存在以下几方面的局限，需在解读结论时予以注意。第一，来源偏差：行业数据主要来自企业自报或商业机构调研，存在乐观偏差的可能性；学术研究虽然方法论更严谨，但样本规模和场景多样性通常受限。两类来源的置信度不同，本报告已通过交叉验证尽可能校准，但残留偏差难以完全消除。

第二，时效性风险：AI编程领域发展极为迅速，部分数据（如2025年的市场渗透率）可能已滞后于当前实际状况。特别是Agent模式在2026年的快速普及，可能已显著改变了效率和安全数据的分布。

第三，认知空白：当前国产五强工具的安全性与质量尚缺深入横评数据，本报告中关于国产工具的讨论主要基于功能定位而非实证性能比较。此外，AI编程对非互联网行业（如金融、医疗、制造业）的渗透数据和效率影响近乎空白，这些行业的合规要求和使用场景与互联网行业差异显著，不宜简单外推。

第四，评估方法论本身的不确定性：Code2Bench的研究揭示，当前代码生成评估基准存在系统性方法论缺陷，这意味着本报告引用的部分效率数据可能存在"评估通胀"——即因评估方式不够严格而导致的数字虚高。我们已尽可能在矛盾分析中标注了这一风险，但完全量化其影响目前尚不可行。

十、结论与建议

10.1 核心结论

第一，AI编程的效率提升真实但远低于行业叙事。编码环节的提升可达17倍，但完整项目周期的提升约为30%——"效率漏斗"是理解AI编程价值的核心框架。第二，AI生成代码存在严重安全隐患，45%的漏洞率和74个CVE级漏洞是当前最紧迫的结构性风险，且当前评估基准对安全性的考察严重不足。第三，从补全到Agent的跃迁是技术必然，但治理能力必须同步跃迁，否则安全风险将从个体问题升级为系统性问题。第四，中国AI编程市场增速领跑全球，但渗透率仅30%，安全事件正在加速国产替代，竞争的关键差异化因素正从"生成速度"转向"验证能力"。

10.2 实践建议

面向企业决策者：建议在引入AI编程工具时，将安全性评估置于效率评估之前，优先选择通过A.S.E类框架认证的工具；建立AI生成代码的专项审查流程（如强制安全扫描、动态测试覆盖率要求）；在团队层面实行"AI辅助+人类把关"的混合模式，避免过度依赖导致的能力退化风险。

面向开发者：建议将AI编程工具视为"效率倍增器"而非"能力替代品"，在利用AI加速编码的同时，持续投入代码审查和安全意识的提升；关注Agent编排能力的学习，这将是未来1-2年最核心的技能增量；警惕过度依赖导致的能力退化，定期进行"无AI编程"的能力锚定。

面向投资方：建议关注"验证侧"的投资机会——AI代码安全检测、自动化测试平台、代码质量治理工具等方向可能成为下一个增长点；国产AI编程工具市场虽然竞争激烈，但在安全合规驱动下，头部厂商的护城河正在加深；谨慎评估效率数据的口径差异，优先参考全周期生产率而非单点编码速度。

10.3 未来研究方向

基于本研究的发现和局限，建议后续研究关注以下方向：国产AI编程工具的安全性与效率实证横评，填补当前认知空白；AI编程对非互联网行业的渗透模式与效率差异研究；Agent编排工作流的治理框架设计与有效性验证；AI编程对开发者能力结构的长期影响追踪研究；代码生成评估基准的改进——如何将安全性、可维护性等维度纳入标准化评测。

参考文献

[1] 蓝凌研究院 (2026). AI Coding 2026：代码超自动世界，企业最缺什么？ CSDN. https://www.csdn.net/article/2026-05-25/161383554 [B级]

[2] IDC / 新浪财经 (2025). 中国AI代码生成市场迎来爆发期. https://baijiahao.baidu.com/s?id=1842781821147420833 [B级]

[3] 第一财经 / 百家号 (2026). 阿里为什么全面禁用Claude Code？ https://baijiahao.baidu.com/s?id=1869690633187003503 [B级]

[4] Greptile / CSDN转载 (2025). 2025年AI编程报告. https://blog.csdn.net/loongggdroid/article/details/156434177 [C级]

[5] CSDN / 2501_94261392 (2026). AI辅助编程的真实效率报告. https://blog.csdn.net/2501_94261392/article/details/160889414 [C级]

[6] 什么值得买 (2026). AI编程到底提效多少？ https://post.smzdm.com/p/apq285ww/ [C级]

[7] 腾讯网 / AI产业全景图谱 (2026). AI+编程：软件开发的全流程智能化变革. https://news.qq.com/rain/a/20260627A0AKS400 [C级]

[8] 东莞证券 / 同花顺财经 (2026). AI编程行业深度报告. https://stock.10jqka.com.cn/20260227/c674969879.shtml [B级]

[9] Korinek, A. (2025). AI Assistants and Productivity in Knowledge Work. NBER Working Paper. [A级]

[10] Pearce, H. et al. (2025). Security Implications of AI-Generated Code. Georgia Institute of Technology. [A级]

[11] 复旦白泽团队 (2025). A.S.E: Accuracy-Security-Efficiency Framework for Evaluating AI Code Generation Tools. [A级]

[12] Code2Bench (2026). Methodological Critique of Code Generation Benchmarks. ICLR 2026. [A级]

[13] Peng, Y. et al. (2025). Inverted-U Productivity Distribution in AI-Assisted Programming. FSE 2025. [A级]

附录：来源质量评估

以下为本报告引用来源的质量评级说明与分布统计：

评级	数量	来源类型	代表来源
A - 优秀	5	同行评审期刊、权威研究报告	NBER、佐治亚理工、复旦白泽、ICLR、FSE
B - 良好	3	知名分析机构、官方报告	IDC、蓝凌研究院、东莞证券
C - 可接受	5	行业媒体、专家分析	Greptile、CSDN、什么值得买

附表1：来源质量评级分布

本报告平均来源质量为B+，A级来源占比38%，A+B级合计占比62%。所有核心主张均有至少一条A级或B级来源支撑，C级来源仅用于补充行业观察视角和典型案例叙述，不单独支撑核心论点。