蔚来汽车与火山引擎合作，将 TRAE 大模型引入智能座舱研发核心环节。开发人员日活跃率超 70%，AI 代码采纳率达 90%，代码入库率 19.8%——从编码辅助到知识沉淀，一场从个人效率向组织智能的转型正在发生。
在智能座舱研发中，TRAE 已经覆盖蔚来智能系统、车载互联等核心场景，支持 IDE、CLI、Work 等多种使用形态。数据不会说谎：
注：采纳率指 AI 推荐代码被开发者接受的比例；入库率指 AI 生成代码最终进入版本库的比例；Token 用量为单个工程师在 TRAE 上的累计调用量。数据源自蔚来与火山引擎公开分享。
但是，数字只是表层。真正值得关注的是数字背后的结构变化：AI 正在从「辅助工具」变成「协作主体」——代码审查、知识沉淀、问题定位，每一个环节都在被重新定义。
蔚来与 TRAE 的合作并非简单的工具部署，而是将 AI 嵌入到研发流程的每一个关键节点。三个场景，对应三种不同的能力层级。
依赖个人经验，覆盖范围有限，问题发现晚，且标准不统一。
本地全量 Review 对整个仓库做深度体检，本地增量 Review 在编码阶段拦截问题，在线增量 Review 作为团队门禁统一标准。问题越早暴露，修复成本越低。
文档不全、代码量过大、历史经验随老员工离职流失——新人培养周期漫长。
AI 自动串联代码、文档、历史问题，生成项目入门 Wiki；新产生的问题、架构变更、踩坑经验实时总结进知识库，通过自然语言即可调取。经验不再随人员流动而流失。
依赖个人对代码的熟悉程度，上下文有限，历史问题难以回溯。
AI 能读取比专家更大的代码上下文和更全的历史经验，将 Bug 日志、评论、历史解决方案一并分析。团队多个长期悬而未决的问题由此得到解决。
注：对比卡旨在呈现方式转变，实际落地中人工与 AI 协同工作，而非完全替代。
数据是抽象的，但人的故事是具体的。下面是 TRAE 在蔚来研发团队中的两个真实使用案例。
两个案例的共同点：AI 不是替代了人的判断，而是 放大了人的产出。开发者的角色从"写代码的人"变成了"定义意图、编排工具的人"。
蔚来设想的远不止于 AI 辅助编码，而是一个层层递进的 「AI 开发生态体系」：
Knowledge 层沉淀知识，Skill 层封装技能，WorkFlow 层串联流程，Agent 层集成闭环。在这个体系中，Agent 成为新的基本单元——人类只需定义意图，并编排匹配的 Agent，通过持续进化的能力网络，人与 AI 协作完成软件交付。
这一演进的本质，是从个人效率走向组织智能。过去，经验属于个人——新人培养周期长、专家资源短缺、知识不断流失。如今，AI 参与到研发的每个流程，这些经验将 属于组织，让组织能力能够持续积累、持续复用、持续放大。
"TRAE 带来的，不只是代码生成提效，更是让经验沉淀、协作升级，推动研发能力从个人走向组织。"
——蔚来数字座舱与软件开发部研发效能负责人 李庆秋
AI Coding 的下一个战场不是「谁生成的代码最多」，而是「谁能让经验沉淀为组织资产」。TRAE 在蔚来的落地证明：当 AI 深度嵌入研发流程，效率提升只是表象，真正的护城河是组织知识的持续积累与复用能力。
TRAE 已全面覆盖蔚来智能系统、车载互联等核心研发场景，支持 IDE / CLI / Work 多种形态，成为开发团队日常不可或缺的基础设施。