InfCode引领AI编程进入工程时代

InfCode正引领着AI编程进入工程时代。

自“造词大神”Andrej Karpathy提出“Vibe Coding”概念以来，这一概念热度一直居高不下。只需通过描述“感觉”和意图的提示词，AI就能生成可运行的代码，这种近乎魔法的编程体验让开发者们叹为观止。

例如，输入提示词：“编写一个Python代码，可视化单行道中交通信号灯的工作情况，车辆以随机速率驶入”，AI就能在几秒钟内生成一个完整的动画模拟程序，包括交通灯的红黄绿切换逻辑、车辆的随机生成机制、停车和通行的判断规则，甚至配有流畅的可视化界面。

然而，尽管Vibe Coding擅长快速原型开发和单脚本编写，但在面对企业级复杂工程时仍显得力不从心。受限于上下文窗口、推理深度以及Agentic模式缺失，它往往难以精准定位大型代码库中深埋的Bug，也极易在处理跨文件系统级修改时引发连锁错误。

此时，中国的初创团队词元无限给出了自己的答案。由清华姚班校友带队设计开发的编码智能体InfCode，在SWE-Bench Verified和Multi-SWE-bench-CPP两项非常权威的AI Coding基准中双双登顶。

具体来说，InfCode展现的不仅是单点技术突破。在SWE-Bench Verified上，它以79.4%的Pass@1得分拿下SOTA，在MultiSWEbench的C++子集上，更是以25.58%的解决率大幅领先。

这些数字背后，是一套面向企业场景设计的多智能体体系。对于希望在企业场景引入AI Coding的决策者而言，这也许是AI从“单体提效”走向企业“组织进化”的新范式。

AI编程进入智能体时代

人工智能正在改变软件开发范式。

传统的大模型只能生成代码片段，而新一代编码智能体（Coding Agent）强调自主性、全流程覆盖和工程实用性。它们不仅会写代码，还能分解任务、调用工具、运行测试、反复调试，甚至提交补丁。

这些智能体在多个基准上接受评测，其中最具权威的是由普林斯顿大学等提出的SWE‑Bench基准，以及OpenAI于2024年发布的升级版SWE‑Bench Verified。该基准来自真实GitHub项目，每个样本附带自然语言问题描述和完整的测试用例。

词元无限的突破：InfCode智能体

词元无限团队开发的InfCode智能体系统，在这一赛道上取得了突破性成绩：

在SWE‑Bench Verified上，InfCode以Pass@179.4%的得分刷新SOTA（世界最佳）

在Multi‑SWE‑bench的C++子集上达到25.58%的解决率

研究表明，C++项目通常需要一次修改200多行、涉及7个文件，这远难于JavaScript等高层语言。对比官方报告，领先模型在C++上的解决率往往不足8%。

技术核心：超越RAG的代码意图分析

为突破传统RAG（Retrieval-Augmented Generation）机制的局限，InfCode提出了“代码意图分析（Code Intent Analysis）”机制。

该机制让智能体能够超越字面匹配，理解自然语言背后的“功能意图”，并将其智能映射到项目中的具体实现单元（函数或类）。这一过程融合了语义推理与架构理解，使模型能在无堆栈信息的条件下仍然精准地锁定问题上下文。

多智能体生成：对抗式的代码补丁与测试补丁双智能体生成

InfCode首创对抗式双智能体架构：

• 代码补丁生成器（Code Patch Generator）负责修改代码以通过当前测试集；
• 测试补丁生成器（Test Patch Generator）则负责生成更强的测试用例。

二者在一个闭环中交替迭代，让补丁在鲁棒性与完备性上持续演化。

工程化细节：生成与筛选范式

InfCode的修复流程分为两阶段：生成（Generate）与筛选（Select）。

这种广泛探索+精准筛选的策略使InfCode能产出质量更高的修复补丁。

背后站着一支“创业天团”

技术突破的背后，是一支被业内称为“创业天团”的豪华阵容。词元无限的核心团队不仅拥有顶尖的技术实力，更难得的是将技术前瞻、产品化能力与商业化思维三者融为一体。