01#

背景：AI编程时代，我们面临的新挑战

随着AI编程的普及与深入，AI编程工具如Cursor、Cline、Claude Code等正成为开发者日常的得力助手。

然而，我们也发现随之而来的是两大核心痛点：

1.AI对话难以追踪

软件开发逐渐从“以代码为中心”转向“以对话为驱动”，对话变得越来越重要。

我们在阅读AI生成的代码时，不仅关注代码本身，更希望了解当时与AI交互的上下文。

但是这些对话散落在每个开发者的本地环境中，无法统一管理与共享，查看AI生成代码时经常因为没有当时生成的上下文而一头雾水。

2.AI贡献难以量化

AI到底为我们写了多少有效代码？AI到底为我们提升了多少效率？哪些模块的AI贡献最大？

缺乏统一的度量体系和方法，我们难以区分AI写的代码和人工编写的代码，难以客观评估AI投入的实际产出，更无法系统化地优化使用策略。

正是由于以上问题的存在，我们需要建立一套可追溯、可量化的AI编程效能体系，以全面评估AI在开发过程中的实际贡献，提升团队协作透明度与工程效能。

02#

探索之路：我们曾这样尝试量化AI价值

在开发本系统之前，团队成员也曾尝试过一些“土法炼钢”的方式来追踪、量化AI的使用效果：

1.Wiki截图，手动存档

将与AI的对话记录逐一截图，并以需求为单位粘贴到团队Wiki中。

弊端：给程序员带来大量额外工作，难以坚持；信息零散，无法搜索和统计分析；

2.代码注释，脚本统计

通过如全局的cursor rule，让AI在生成代码前后加上特殊注释（如// @AI-Generated-Begin、// @AI-Generated-End），然后通过脚本扫描这些注释来统计AI代码行数。

弊端：如果在AI生成代码中增加人工代码，注释会特别复杂，影响代码可读性；注释易被人为修改，指标缺乏客观性。

03#

解决方案：AI编程效能量化系统

整体方案如下图所示：左侧插件解决“可追踪”的问题，右侧系统实现“可量化”的目标。

可追踪：统一管理AI对话

我们开发了一款VSCode插件，能够：

1. 自动读取Cursor等AI工具的本地数据库；

2. 支持将AI对话记录以Markdown格式一键保存至项目源码中；

将与AI对话保存在源码中有两点好处：

1. 团队间的AI对话可以共享。

2. 全局搜索相关代码的时候可以方便找到当时的AI对话。

可量化：精准计算AI贡献

同时，有了这个插件，我们通过插件可以将本地的AI交互数据无感上传到云端，在云端进行聚合分析。

结合GitLab提交数据，我们可以和AI生成的代码做对比，就可以精确计算出AI生成代码占比。

核心指标

基于收集的信息，我们可以计算出以下核心指标：

04#

效果展示：

插件部分

通过插件我们可以清晰看到今天、本周、本月的AI使用情况以及环比上个周期的使用情况。

并且我们可以看到这个workspace下所有与AI的对话情况，支持一键以markdown的形式保存在项目源码中。

个人仪表盘

个人活跃度：直观地看到每天和AI对话的次数，对话次数越多，颜色越深。

0对话：灰色；1-34对话：浅绿色；35-68对话：绿色；69-102对话：深绿色；103+对话：黛绿色

个人AI研发核心指标：自己AI代码占比、各种语言AI占比、采纳比例。

个人使用趋势：可以查看自己近期的使用趋势

团队仪表盘

团队总览：可以看到团队有多少人在使用AI编程、使用时间等信息。

团队AI研发核心指标：可以看到团队中AI代码占比、各种语言AI占比、采纳比例。

团队的排行榜：

团队指标成果展示：

随着这个插件和系统的上线推广，我们团队AI编码率从之前32%（9月份）提高到54%（10月16日-10月29日，系统上线后）。

05#

方案细节与关键机制

插件侧（数据收集）

为确保数据上传的顺畅与准确，插件侧进行了多项优化。

1. 多源数据采集：支持从主流AI编程工具中提取完整的交互历史记录

2. 智能项目识别：通过算法自动识别对话记录所属的代码项目，确保数据准确归属

3. 增量同步机制：基于时间戳的增量数据上传，避免重复采集，提升效率

4. 数据完整性保障：支持手动补传和批量重传，确保数据不丢失

服务侧（据清理、分析）

系统通过定时任务每15分钟自动执行统计算法：

1. 获取活跃用户与最近提交（Git Diff）

2. 提取对应AI对话生成的代码片段

3. 清洗、比对新提交代码

4. 若命中AI片段→标记为AI代码，否则为非AI代码

本项目AI参与度

本项目通过本系统统计AI代码占比如下：

VSCode插件：95.98%

后端服务：70.42%（部分公共代码复用老项目）

前端数据看板：91.74%

除了开发部分，本项目全流程使用AI参与：包括系统设计、数据分析、测试、文档，全与AI协作完成。

06#

未来规划：从Cursor到企业级AI效能平台

未来的规划主要分三步：

1. 提高插件使用体验和完善指标体系建设。

2. 通过MCP协议上报的方式，支持Cline、TRAE等更多AI编程工具。

3. 探索代码提效推动产能提升的路径，是产能提升可量化。

07#

结语

“让AI编程可追踪、可量化，通过自动记录与分析，助力团队清晰度量AI价值，提升产能。”——这正是「AI编程效能量化助手」的使命。

如果你也在探索AI编程的效能提升之路，欢迎与我们交流合作。

让AI的价值，不止于感觉，更见于数据。

— END —
～点这里👇关注我，记得推荐喜欢哦～

好文点个推荐吧👇