（来源：风口报告）全文摘要1、Cloud Code近期动态与市场反响·近期发布动态：当前全球范围内代码能力最强的大模型为Anthropic旗下的Claude。2026年以来Cloud Code的核心发布动作包括：a. 2026年1月推出coWork及11个行业插件；b. 2026年2月20日发布Cloud Code Security工具，可依托大模型技术扫描代码库漏洞并自动生成针对性补丁，该产品发布后引发市场对网络安全公司定制化服务相关壁垒是否会降低甚至消失的担忧，相关上市公司股价反应较为激烈；c. 2026年2月23日，Anthropic在博客中披露Claude可帮助改造Cobol老旧系统，而Cobol此前一直是IBM的核心护城河之一，该能力的公布意味着这一传统领域也受到了AI带来的挑战。·市场反应与关注方向：春节后AI对软件行业甚至部分其他行业的影响再度受到市场关注，美股相关股票随即出现恐慌式下跌。但2026年2月中下旬至3月初美股软件和SaaS公司回调态势明显，累计涨幅约20%-30%。在过度恐慌情绪释放后，当前市场最为关心的核心话题为如何评估AI及Cloud Code对行业的长期影响，后续将围绕该话题邀请AI领域专家展开深度解读。2、Cloud Code产品架构与运行机制·定位与核心构成：与2025年年初推出的传统聊天工具相比，Cloud Code具备自主编写代码、管理任务进程、调用相关工具的能力，近期推出的Team模式支持组织团队完成系列复杂任务，属于面向复杂任务执行的工作系统。Cloud Code核心由Agent、Skill、MCP协议、Team模式四部分构成，各模块定位清晰：a. Agent可理解为类初代聊天工具的AI工程师；b. Skill是Anthropic推出的专业技能包或说明书，可沉淀标准SOP流程、工作中的**实践；c. MCP协议支持模型调用外部工具，为模型提供更多扩展能力；d. Team模式为近期推出的功能，可支持更多线程以团队模式开展更复杂的工作。·工作运行逻辑：Cloud Code的核心工作链路围绕自然语言处理展开，首先通过自然语言结构拆解用户提出的复杂需求场景，转化为可被识别的子任务。完成任务拆解后，系统会调用MCP协议能力对接相关工具，链接更多外部资源，同时调用预设的Skill标准工作流程，以**实践方式解构并执行子任务。工作流程为需求拆解→子任务分配→调用MCP工具与Skill标准流程→执行任务，Team模式支持多角色协作完成复杂任务，测试阶段的Team模式可从多Agent视角拆分为不同角色，以团队协作模式更高效地完成复杂任务的拆分与执行。·与同类产品差异：Cloud Code原生形态为命令行界面，核心能力是操作电脑文件，效率较高。为降低使用门槛，其能力可通过可视化形式集成，Cursor等IDE属于Cloud Code能力的插件化集成形态，可通过插件形式在VS Code等IDE中集成Cloud Code能力，以可视化界面辅助程序员编程或支撑复杂工作需求。Cursor等IDE是Cloud Code能力的插件化集成形态，底层均调用Claude的命令行文件操作能力，各类前端可视化调用工具本质上都是对Cloud Code底层核心能力的封装。3、AI coding技术演化路径·多智能体协作路线：多智能体协作路线的核心逻辑是解构复杂任务，以团队模式安排多个子智能体扮演不同角色，同步对应任务列表，通过高效协作完成复杂任务。海内外已有相关代表性实践，海外包括Anthropic推出的Team模式，国内则有swarm模式，该路线核心是在AI本身智能水平不变的前提下，通过提升协作的高效性与智能程度，强化复杂任务处理能力。·原生多模态演化路线：原生多模态演化路线由OpenAI提出，其与普通多模态存在明显差异：普通多模态不具备直接进行图像、音频识别的能力，需要调用工具后才能完成相关识别任务；而原生多模态在模型训练阶段就输入了对应的视频、音频资料，无需调用工具即可自主理解图像、音频、文字三类模态信息，该路线的核心是强化AI单点能力，丰富AI单点的智慧水平。·未来发展逻辑：两条技术演化路径呈互补关系，分别从不同维度提升AI coding能力：原生多模态路线聚焦单点智能提升，多智能体协作路线聚焦协作效率优化。未来若AI单点进化遇到算力瓶颈，多智能体协作将成为重要发展方向，通过优化多智能体的协作方式提升整体团队能力，从而更好地支撑相关业务呈现。4、Cloud Code能力水平与行业定位·专业领域能力评估：Cloud Code目标客户群体相对聚焦，设计之初就锚定AI编程专业领域，核心服务对象为软件工程师，在编程领域属于绝对专家级产品。当前市场上与Cloud Code形成竞争关系的主要是开源的OpenCore模型，二者对比来看，Cloud Code在多维度具备显著优势：一是token消耗控制更优，二是上下文管理能力更强，三是待办任务完成表现更好，各维度表现均优于开源模型，是当前专业编程领域市场中的绝对领先产品。·与其他大模型对比：从通用业务需求维度来看，当前市场上主流的相关大模型产品主要有三家，分别为OpenAI模型、谷歌Gemini、Anthropic的Cloud Code，三者的设计初衷与核心侧重方向存在明显差异：谷歌旗下的Gemini产品更偏向需求策划方向，Anthropic的Cloud Code更偏向编码执行方向，OpenAI的模型则更偏向单向模型推理方向。综合各产品的能力侧重来看，Cloud Code在编程领域具备绝对的市场统治力。5、Cloud Code对垂类行业的影响·对网络安全行业影响：Cloud Code对网络安全行业的短期冲击逻辑源于其强大的代码解读能力：一方面，相比传统安全防护策略基于已有规则的模式，AI可更高效扫描代码、理解代码层面的漏洞；另一方面，Cloud Code可调用更多工具发起攻击探测、模拟攻击，拥有更多试错空间以发现传统方式探测不到的漏洞。但网络安全行业的核心护城河是垂类攻防数据、流量探测案例的长期积累，若没有相应行业数据供给模型训练，仅靠高效的代码读取、解构能力，无法瓦解传统安全厂商十多年积累的攻防经验，短期行业核心格局不会受明显冲击。·对Cobol领域影响：Cloud Code对IBM Cobol相关护城河的短期冲击逻辑是其可读取老旧系统的代码逻辑，实现老旧语言改造，完成代码复制与重构，降低传统老旧语言的壁垒。但银行等使用Cobol系统的领域，核心系统复杂度并非仅在代码层面，Cobol系统改造仅涉及代码翻译环节，银行核心的信创系统、风控系统、主机系统等业务协作体系，需要大量行业数据积累与上下游协作支撑，并非简单代码翻译即可解决，因此Cloud Code仅能提升代码迁移、重构效率，短期难以切中行业核心护城河，对相关领域的冲击十分有限。·潜在受冲击行业场景：AI coding能力较强的大模型未来优先覆盖的场景具备重复劳动多、模板化程度高的特征，其中传统代码外包行业是受冲击风险较高的领域。传统代码外包的核心业务流程多为简单代码复制，或是基于成熟系统的模板化泛化迭代研发，依赖大量简单劳动力的重复叠加，在Cloud Code等AI大模型的高速推理能力支撑下，该类工作可被快速替代，相关传统外包环节的竞争力将逐步被削弱。·对编程语言壁垒影响：AI coding的强语言理解、翻译能力理论上可降低Cuda、纯血鸿蒙等编程语言的壁垒，但该能力的落地需要对应编程语言有足够的训练语料支撑。当前Cloud Code的训练语料多基于国际主流可获取的***息，纯血鸿蒙目前开源的相关语料较少，若没有足够的对应语料供给模型前期训练，AI难以形成标准化的编码工作流与常用函数、工具调用能力，短期无法降低这类小众或开源度低的编程语言壁垒。6、多Agent趋势与AI产业生态·国内模型海外部署问题：针对海外用户在Open Router等平台调用国内模型运行Cloud Code时，国内厂商的服务部署模式相关疑问，目前未掌握该领域相关信息，无法给出对应结论。·多Agent技术发展卡点：多Agent技术目前处于初期探索阶段，核心发展卡点主要有两方面：一是技术层面存在流程不可控问题，高度自动化后多环节存在不可控风险，复杂工作流应用中需要大量人工审核介入，若完全交由AI自主决策控制，整个系统易出现不可控问题；二是算力成本较高，多Agent协作会产生大量token，相关算力及费用成本是应用落地需要重点考量的因素。因此多Agent的落地应用需要配套对应的审核机制与成本控制方案，平衡多方面因素后才能构建合理的协作模式。·专业领域受影响程度：法律、医疗等专业领域受AI技术的影响程度与行业特性相关，此前美国法律咨询、医疗咨询领域曾出现两波股价跳水。这类专业领域的核心壁垒是垂类案例数据积累，若相关专业数据未作为公开训练语料纳入模型训练，通用模型难以满足专业领域服务需求，仅能通过垂域小模型训练实现专业领域咨询类业务的技术突破，当前阶段通用模型尚难以覆盖专业领域的相关服务需求。·AI产业三层生态布局：从Shopify加大与软件企业合作、推出类应用商店产品的动作可看出，未来AI产业将形成三层生态布局：a. 大模型研发层，由研发大模型的企业构成；b. 任务编排系统层，由基于大模型开展复杂任务编排、任务结构搭建的企业构成；c. AI应用落地层，是未来将实现爆发式增长的领域。各层之间存在强依赖关系，AI应用落地企业需要依托第二层的AI协作系统，因此任务编排层企业需与下游应用厂商紧密合作，推动产品落地并获取用户反馈持续迭代，形成良性发展循环。7、AI coding产品模式与发展趋势·龙虾与Cloud Code差异：龙虾（即Open Crawl）的开发源于发明者的实际需求，发明者最初希望在非工位状态下通过手机控制电脑端的Cloud Code完成代码编写，基于该远程操控Cloud Code的想法开发出相关产品，其本质是Cloud Code的远程调用工具。龙虾可通过网关接入微信、飞书、等平台，用户可在手机端控制装有龙虾的终端完成编码工作，解决了物理空间对AI编排工具操作的限制。与Cloud Code需要用户深度参与编码过程的模式不同，龙虾属于结果交付模式，核心特点是具备人物特性、永久记忆、7×24小时待命，用户提交需求后无需参与过程，可直接等待编码结果交付。·Web coding发展要求：Web coding的核心价值是降低编程门槛，原本没有专业编程基础的人员也可通过自然语言实现自身创意的落地。若要通过Web coding完成相对复杂的系统开发，必须做好前期需求规划，清晰拆解需求结构，形成可落地的需求文档，才能保障AI更好地完成编码实现。行业普遍认为AI编码遵循“垃圾输入产生垃圾输出”的逻辑，AI外包编码分为两个阶段，前期为思想发散的需求规划阶段，后期为编码收敛的实现阶段，Web coding需要将大量时间投入到前期的需求规划与拆解环节，才能获得高质量的编码产出。8、海内外大模型coding竞争格局·海内外coding能力差异：关于海内外大模型coding能力竞争，2026年年初以来，国内外各大模型的能力参数跑分差异已不大。2025年大模型训练主要侧重单一任务问答，2026年行业发展趋势转向多智能体协作，要求大模型在训练中新增适配协作系统的相关能力，不能仅停留在单一技能输出阶段，还需适配协作系统的迭代要求。当前国内关注度较高的大模型包括kimi2.5、MiniMax、GLM 5以及即将推出的Deepseek等，其中智谱GLM、MiniMax已能较好适配Cloud Code的团队协作模式，满足AI协作系统的适配需求。·国内大模型适配现状：大模型除需具备单一技能输出能力外，还需理解实际调用模型的协作系统的协作方式更迭，这是模型训练需要新增的技能要求。2026年年初的测试结果显示，国内GLM、MiniMax等大模型对Cloud Code、Open Code的多任务协作适配已相对较好。但可本地部署的小模型受自身参数限制，对多智能体协作模式的兼容性仍存在不足。整体来看，当前国内大模型在编码、推理能力方面，与海外头部公司的顶级模型差距已较小。Q&AQ: Cloud Code的产品价值及工作原理是什么？A: Cloud Code与去年年初推出的初代聊天工具相比，具备代码编写、任务进程管理、工具调用能力，近期推出Team模式，可组织团队完成复杂任务。其核心包含四块内容：一是agent，可理解为AI工程师，类似初代聊天工具；二是Anthropic推出的Skill功能，为专业技能包或说明书，沉淀标准SOP流程及**工作流实践；三是MCP协议，支持模型调用外部工具，扩展模型能力；四是近期推出的Team模式，支持多线程以团队模式开展复杂工作。其工作核心是通过自然语言结构将用户复杂需求拆解为可理解的子任务，调用MCP协议获取外部资源，依托预设Skill的标准工作流程执行任务；近期测试性Team模式可通过多agent角色拆分，以团队模式更高效完成复杂任务拆分与执行。Q: IDE、Cloud Code、Web Coding这几个概念之间有什么差异？Cloud Code与Cursor等IDE的差异是否明显？A: Cloud Code原生形态为命令行界面，核心能力是调取电脑文件；后为提升用户易用性，发展出可视化界面。IDE可通过插件形式集成Cloud Code能力，结合IDE辅助程序员编程；也可通过聊天工具窗口以可视化界面调用Cloud Code能力完成复杂工作，这些可视化调用工具底层均依赖Cloud Code的命令行文件操作能力。Q: 从AI coding技术方向来看，未来的重点方向或改进点有哪些？同时可能带来怎样的行业或技术变革？A: AI coding未来演化有两条路径：一是多智能体协作，如Anthropic的team模式、国内Inmax的swarm模式，核心是通过多个智能体分工协作解构复杂任务，提升任务完成效率；二是原生多模态能力，如OpenAI提出的模型训练阶段融入视频、音频资料，无需调用工具即可理解图像、音频、文字，强化AI单点能力。未来当AI单点进化遇算力瓶颈时，将转向多智能体协作提升团队能力，更好服务业务呈现。Q: 在使用过的编码软件中，Cloud Code的智能水平如何？对编码工作效率的提升情况能否量化说明？A: Cloud Code目标客户较窄，设计之初及系统提示词均聚焦AAI编程专业领域，服务软件工程师，在编程领域是绝对专家。与开源的OpenCore相比，其在token消耗管理、上下文管理及完成图列表能力上均有优势，在编程专业领域市场处于领先地位。从通用业务需求看，OpenAI、谷歌Gemini、Anthropic及Cloud Code产品设计初衷不同：谷歌Gemini偏向需求策划，Anthropic偏向编码执行，OpenAI侧重单向模型推理，而Cloud Code在编程领域具备绝对统治力。Q: 如何评估Cloud Code对垂类行业的冲击？A: Cloud Code对垂类行业的冲击可通过安全行业及IBM COBOL护城河被削弱两个案例分析，核心在于其代码解读能力。在安全行业，它能更高效扫描代码、理解漏洞，相比传统基于规则的防护，还可调用工具发起攻击探测与模拟，找到传统方法无法发现的漏洞；对IBM COBOL护城河的削弱体现在其能读取老旧系统代码逻辑并进行复制或重构。但安全行业需大量安全数据及流量探测案例积累，若无垂域数据，仅靠代码处理能力无法瓦解传统安全行业的经验积累；银行系统的核心复杂度在于信创、风控及主机协作等业务系统，需大量数据与上下游协作，非简单代码翻译可解决。综上，Cloud Code仅削弱了编码与语言壁垒，未触及传统行业的核心护城河，短期内不会影响上述两个行业。Q: 除了已有的两个案例，未来还有哪些场景会被AI coding能力较强的大模型覆盖？A: Cloud Code等AI擅长代码解读与复制，传统外包行业的业务流程依赖简单代码复制或成熟系统的模板化泛化迭代，这类依赖简单劳动力重复叠加的场景，会因AI推理能力的高速发展被快速替代或失去竞争力。Q: 当AI coding的语言理解或翻译能力较强时，纯血鸿蒙与Cobol的护城河或壁垒是否有可能降低？A: AI coding在语言翻译方面能带来较大效率提升，但纯血鸿蒙与Cobol更多需要AI前期有相关训练语料。当前Cloud Code的训练语料多基于国际主流信息，而鸿蒙开源内容较少，若缺乏足够训练语料，AI模型能力不足以完成纯血鸿蒙与Cobol这类特殊场景的翻译工作。Q: 若多Agent协作是科奥主要发展方向，是否意味着流程复杂的ERP或CRM软件受影响风险更大，而金融、法律等具有高专业知识壁垒的领域因不基于繁重工作流更难被影响？A: 多Agent目前处于初期探索阶段，虽有优势但存在明显弊端，高度自动化会导致环节不可控，需大量人员审核；且协作过程中产生的大量token会增加算力及费用成本，需平衡审核机制与费用控制。对于金融、法律等具有高专业知识壁垒的领域，其依赖行业内大量专业案例数据的积累，若该类数据未作为公开训练语料，通用模型不具备对应能力，仅能通过垂域小模型训练实现专业咨询类业务的技术突破，目前通用模型难以达到这一水平。Q: 涉及专业知识较多的行业受影响是否相对较小？A: 此前提到的安全行业、IBM护城河行业外，美国法律咨询及医疗咨询行业曾出现两波股价跳水。法律、医疗行业更依赖行业数据积累，需大量专业案例数据；若未将此类数据作为公开训练语料，通用模型不具备对应能力，仅能通过垂域小模型训练实现专业咨询业务的技术突破，目前通用模型达到该水平仍较难。Q: Shopify近期与软件企业合作增多且推出类似应用商店的举措，其背后的思路及是否考虑长期共存？A: 未来行业存活将分为三个层面：第一层是大模型研究公司；第二层是利用大模型进行复杂任务编排和任务结构搭建的公司；第三层是AI应用落地公司，其需依赖第二层的AI协作系统。AI协作公司需与下游转化系统生产力的应用公司紧密结合，通过应用落地推动产品推向市场、获取反馈并迭代，形成良性循环，Shopify的举措符合这一行业趋势。Q: 从coding角度，未来结果交付模式与深度参与模式哪种发展更快，深度参与的外部coding场景是否会越来越小？A: 龙虾本质是远程调用Cloud Code，起源于解决物理空间限制的需求，特点是突破物理空间对AI编排工具的操纵限制，具备记忆功能，支持7×24小时待命，可通过微信、飞书等手机终端远程控制编码。Web coding概念旨在让非专业编程者用自然语言实现idea，但复杂系统需前期做好需求规划，清晰描述需求才能让AI更好执行。AI外包分为需求规划的发散阶段与编码的收敛阶段，Web coding需将时间花在前期需求规划与结构梳理上，以提供可落地的需求文档，助力AI完成最终编码。Q: 国产大模型编码能力的变化情况，以及编码领域海内外模型的竞争态势如何？A: 今年年初以来，海内外模型从跑分角度看能力差距已不大。当前模型趋势向多AI协作转变，需适配AI协作系统，这对模型训练提出新要求；国内智谱GLM、Minimax等模型对Cloud Code、Open Code的多任务协作适配情况较好，仅部分需本地部署的小模型因参数限制，多协作模式兼容性不足。整体而言，国内模型在编码或推理能力上与国外顶级公司差距已不大。