代码在贬值，入口在升值：AI Coding 下半场真正在拼什么

明天开工，我把这个春节 AI 圈攒下来的几个趋势收个尾。

说实话，这个春节我在新加坡带娃，手机没离过手。智能分身 OpenClaw 不停弹消息：GLM-5 上了、MiniMax M2.5 开源了、豆包上春晚了、千问请全国人民喝奶茶了、元宝直接撒了 10 亿红包。我一边哄孩子午睡，一边刷到凌晨两点，越刷越觉得——这帮人不是在放假，是在抢地盘。

我的核心判断只有一句：代码继续贬值，入口和验证继续升值。谁能把"流量"转成"可复用工程能力"，谁就赢下下一阶段。

封面图提示词（baoyu-cover-image，严格 2.35:1）： Type=conceptual, Palette=warm, Rendering=digital, Text=title-subtitle, Mood=bold。 画面：左侧是春节城市夜景与手机红包弹窗，右侧是数据中心与模型参数面板，中间一条发光跑道连接"流量入口"和"工程系统"；画面上方分布着三个抽象标识"模型上新"、"用户拉新"、"工程重构"。 标题（中文）：《春节AI大战：红包在前，模型在后》 副标题（中文）：《开工第一天，程序员必须重建的新坐标系》 要求：中文文字清晰、禁止英文大字、科技感但有春节氛围、Aspect Ratio 2.35:1、输出 PNG。

如果你时间不多，先记三句话：

• 春节这波远超"发红包"本身，是一场 AI 入口争夺战——总投入超 45 亿，核心战场不在红包金额，在谁先占住你手机上那个"有事先问 AI"的入口。
• 真正的胜负手在活动预算之外：模型能力能不能沉淀到工作流。GLM-5 和 MiniMax M2.5 同一周上线，信号很明确——模型能力是留存根基。
• 对程序员来说，开工第一天要改的不是工具，是交付定义：你的价值不再由"写了多少行代码"衡量。

先把事实摆出来

我习惯先列可核对的公开信息，再下判断。以下数据来自各家官网、官方微博和公开报道。

模型端：两大旗舰撞在同一周

我盯到一件事：GLM-5 和 MiniMax M2.5 几乎是同一周发布的。这不是巧合。春节档发模型，就是要抢"全民关注 AI"窗口期的叙事权——你刷春晚的时候，模型已经悄悄换了代。

GLM-5 的叙事线很清楚：从"Vibe Coding"转向"Agentic Engineering"。智谱把这个词写进了技术报告标题页，意思是 AI 不再只是辅助你写代码，而是作为自主 Agent 参与工程全流程。另一个我反复看了两遍的信号是"全链路国产芯片训练"——用华为昇腾完成了从预训练到对齐的全过程，这在地缘政治层面有特殊分量。

MiniMax M2.5 走的是另一条路：参数规模不追，追"可用性"。2300 亿参数只激活 100 亿，推理速度极快、成本极低。上线不到一天，全球用户在 MiniMax Agent 上构建了 1 万多个专家。我实测了一下那个 Agent 的响应速度，体感确实跟之前用过的模型不在一个量级。这组数据说明：速度和成本优势可以直接换算成用户活跃度。

插图1提示词（baoyu-article-illustrator，严格 2.35:1）： Type=timeline, Style=editorial。 标题（中文）：《2026春节AI大事件时间线》 内容：按时间轴展示"2/11 GLM-5发布（7440亿参数）"→"2/12 MiniMax M2.5上线"→"2/13 M2.5全球开源"→"除夕 豆包春晚AI互动19亿次"→"春节期间 千问30亿请客/元宝10亿红包"→"2/22 开工第一天"；每个节点用颜色区分"模型事件（蓝色）"和"入口事件（红色）"。 要求：中文时间轴信息图，节点清晰、可读性优先、Aspect Ratio 2.35:1。

入口端：红包本质是"请你先用一次 AI"

据报道，这场红包大战的总投入超过 45 亿人民币。

先划个边界：各家具体投入金额，媒体口径不完全一致（有说总计 45 亿的，也有说 80 亿的），本文以各方相对一致的数据为准。

金额之外，我重点看三件事：

• 豆包拿到的是"春晚级入口"。春晚的覆盖力不必解释，字节借这个入口让几亿人在节日场景里第一次和 AI 互动——不是搜索，不是问答，是"发红包+做头像+写祝福"这种全民可参与的场景。除夕当天 AI 互动 19 亿次、生成 5000 万张头像。我给我妈发了个 AI 头像，她居然用了三天没换。消费端的 AI 使用习惯正在被高速建立。
• 千问串的是"电商+生活服务"链路。它做的不只是"请你喝奶茶"，而是把千问和淘宝闪购、飞猪、盒马等阿里系业务接在一起——你在千问里领券、点餐、下单，数据全部回流阿里生态。这是把"AI 助手"做成"消费入口"的典型打法。
• 元宝走的是"社交裂变"老路。腾讯高层明说想"重现微信红包当年的成功"。结合微信和 QQ 生态做分享裂变，用最简单的"发红包-抢红包"机制把用户拉进元宝 App。

我为什么管这叫"入口重构战"

很多人把这波看成"节日营销"。我看到的表层才这一层。

表层是红包，底下动的是三件事：

• 入口重排：谁先占据用户手机上那个"遇到问题先打开"的 App 位置，谁就先拿到交互数据和使用习惯。
• 心智重排：用户对 AI 的定位正在从"搜索替代品"升级到"事务代理人"——不只是查信息，还要帮我做事、帮我下单、帮我写东西。
• 工作流重排：企业端开始把模型能力嵌进真实业务链路。你今天看到的"请喝奶茶"背后，是千问和淘宝下单系统的 API 打通；你看到的"春晚互动"背后，是豆包大模型的实时推理集群在承压。

插图2提示词（baoyu-article-illustrator，严格 2.35:1）： Type=comparison, Style=blueprint。 标题（中文）：《春节AI大战：表层红包战 vs 底层工程战》 内容：左侧"红包战（表层）"包括拉新补贴45亿+、春晚曝光、社交裂变、话题扩散；右侧"工程战（底层）"包括GLM-5/M2.5模型能力、Agent任务成功率、API生态打通、用户留存与复购；中间用粗箭头标注"流量→使用习惯→工作流→收入闭环"。 要求：中文对比图，工程化蓝图风格，关键信息高对比，Aspect Ratio 2.35:1。

换句话说：红包是"开门动作"，模型和工程才是"复利动作"。

举个我实际经历的。千问这次"请喝奶茶"，我领到一张 25 元免单券之后，实际下单路径是：千问 → 淘宝闪购 → 商户 → 配送。整条链路跑通，意味着千问已经从一个"对话框"变成能触发真实交易的入口。这个入口若留得住用户，阿里就新增了一条流量分发通道。

同样的逻辑，豆包在春晚场景里做"AI 头像生成""AI 祝福生成"，本质是在给用户灌输一个认知：你手机上有这么个 AI App，能帮你做有意思的事。等这个习惯立住了，后续商业化场景（写作辅助、图片生成、视频创作）才有根基。

模型端真正的角力：比的是"谁更能用"

我把 GLM-5 和 MiniMax M2.5 放一起比，因为它们恰好代表当前中国 AI 模型竞争的两条典型路线。我踩了两家 API 的坑，下面说点实测感受。

GLM-5：昇腾芯片 + 全参数规模 + Agentic Engineering

GLM-5 的技术报告里，有几个点我盯得比较紧：

• 7440 亿总参数，推理激活 400-440 亿，这个规模在开源模型里站头部。
• 200K 上下文窗口，集成 DeepSeek Sparse Attention（DSA），长上下文能力保住了，推理成本也压得住。
• 全链路华为昇腾芯片训练。此前的大模型训练几乎都压在 NVIDIA GPU 上，这次明确标注"All-Ascend Pre-training"，是技术自主性上的重要信号。
• SWE-Bench Verified 拿到开源 SOTA，真实编程场景的使用体验，官方口径是"接近 Claude Opus 4.5"。

智谱用了一个很有意思的定位说法："从 Vibe Coding 到 Agentic Engineering"——AI 不该只"帮你快速出代码"（Vibe Coding），应当作为工程团队里的自主角色，理解任务、拆解需求、自动执行并自我验证。我跑了一个中等复杂度的重构任务，GLM-5 确实会自己拆子任务再逐个执行，这个行为模式跟之前用过的模型有明显区别。

MiniMax M2.5：极致效率 + 开源即可用

MiniMax M2.5 的路数完全不同：

• 2300 亿总参数，推理只激活 100 亿，部署门槛和推理成本大幅下探。
• 输出速度 100+ Token/s，约为主流模型的 2 倍。Agent 场景里，速度就是体验。
• 输入约 $0.3/百万 Token，输出约 $2.4/百万 Token，这个成本放到复杂 Agent 应用里很有竞争力。
• SWE-Bench Verified 得分 80.2%，Multi-SWE-Bench 等多语言复杂环境里超过了 Opus 4.6。
• 次日全球开源。发布到开源不到 24 小时，上线不到一天就有 1 万多个专家被构建。

两条路线的差异很清楚：

GLM-5 押的是"绝对能力"——参数够大、能力够强，能接最复杂的 Agent 任务和长程工程链路。隐含假设是：未来的 Agent 需要足够强的底层模型来理解复杂意图。

MiniMax M2.5 押的是"可用性"——模型要快、要便宜、要能立刻部署。隐含假设是：用户和开发者更在意"用起来的感觉"，纸面参数排后。

我的判断：两条路都对，赢面属于先跑通"模型→Agent→工作流→收入"闭环的那家。参数大但用不起来是浪费，效率高但能力不够也撑不住复杂场景，胜负手在接下来几个月的落地数据。

这和软件工程有什么关系：关系非常大

如果你还把 AI 当"写代码插件"，这次变化会被你低估。我去年还觉得 Copilot 够用，今年一月份被一个 Agent 工作流打脸之后，态度彻底变了。

以前的 AI Coding 是什么？是 Copilot、是自动补全、是"你写一半它帮你补一半"——本质上程序员还是主角，AI 是配角。

现在的 Agentic Engineering 是什么？Agent 自己理解需求、拆解任务、生成代码、跑测试、提交 PR，发现问题再回退重试——程序员的角色正在从"实现者"变成"编排者 + 审核者"。

对工程团队来说，真正的变化有四层：

• 需求层：用户要的是"直接给结果"，建议式的回答吸引力在下降。千问帮你下单、豆包帮你生成头像——用户不想看中间过程，只要最终结果。
• 架构层：单模型策略正在让位给多模型路由策略。旗舰模型接复杂任务，轻量模型接高频简单请求，成本和体验两头都要顾。
• 质量层：人工 review 占比下降，自动化验证权重上升。Anthropic 的数据显示，约 60% 的工作里已经在用 AI，但完全委托给 AI 的任务比例仍在 0-20%，人类监督依旧关键。
• 组织层：团队里要长出新的角色——Agent 编排师、Prompt 工程师、AI QA 专家。传统"产品 → 开发 → 测试"三段式交付正在被重构。

代码本身在贬值，意图和测试才是被重新定价的资产。

插图3提示词（baoyu-article-illustrator，严格 2.35:1）： Type=framework, Style=minimal-flat。 标题（中文）：《2026 Agentic Engineering 运作框架》 内容：顶层"业务意图输入"→中层三角色并行："Architect Agent（理解目标/拆解任务）"、"Coder Agent（生成代码/调用工具）"、"QA Agent（构建测试/拦截不合格交付）"→底层"可交付成果+自动化验证报告"；左侧边栏"多模型路由：旗舰（复杂任务）/ 轻量（高频请求）"；QA与Coder之间有循环箭头"不通过→回退重试"。 要求：中文框架图，结构清晰但专业，Aspect Ratio 2.35:1。

开工第一天，这 5 件事必须先搞清楚

先改 KPI：代码不是最终交付物

从今天起，团队衡量产出该换成这三件事：

• 意图是否清晰（需求边界划没划明白）
• 验证是否完备（测试与验收能不能执行）
• 结果是否可追责（失败能不能定位到环节）

如果你的团队还在拿"代码行数"或"PR 数量"当核心指标，今天就是该改的日子。我上周还跟一个朋友吐槽，他们 CTO 周会上还在看"人均代码产出"，我直接建议他砍掉这个指标。

把 AI 当"团队"，别只当"对话框"

最小可用的 Agent Team 还是这三角：

• Architect Agent：理解业务目标、拆解任务、定义接口。
• Coder Agent：实现代码、调用工具、迭代提交。
• QA Agent：构建测试、执行回归、拦截不合格交付。

GLM-5 和 MiniMax M2.5 都在朝"Agentic"方向走，说明这三角色协同已经落到模型能力里，不只是概念。

立硬规则：先验收，再生成

至少把这 4 条写进团队模板：

• 验收标准先写好，再让 Agent 动手编码。
• 每一次生成，自动化测试必须跑过。
• 质量/性能/安全任一项不达标，不得合并。
• 失败路径要可回滚、可复现、可复盘。

护城河已经换代：重点补四个能力

• 系统设计能力——AI 写得动代码，但不知道该写什么架构。
• 测试驱动能力——你定义验收标准的水平，决定 AI 产出的质量上限。
• 多 Agent 编排能力——多个 Agent 怎么协同而不互相打架。
• Prompt + Skill Engineering——把经验沉淀成可复用、可传递的"技能定义"。

立即执行：第一天最小行动清单

• 挑 1 个本周真实需求，别做 demo。
• 写 10 条可执行的验收标准。
• 把 Architect/Coder/QA 三角色回路搭起来。
• 测试、日志、回滚条件写进 PR 模板。
• 晚上复盘：省了什么人力，新增了什么风险。

插图4提示词（baoyu-article-illustrator，严格 2.35:1）： Type=framework, Style=notion。 标题（中文）：《开工第一天执行清单 × 风险看板》 内容：左侧"5条最小行动清单"（选需求、写验收、建回路、改模板、晚复盘），右侧"四维风险看板"（质量风险：AI幻觉/回归失败、成本风险：模型调用账单、合规风险：数据安全/许可证、稳定性风险：Agent失控/无限循环），底部"当日复盘结论"区域。 要求：中文框架图，实操导向、清晰易读、Aspect Ratio 2.35:1。

往远看一步：这波之后的 3 个趋势

春节这一波只是开始。往前看，有三件事会在 2026 年持续发酵：

多 Agent 并行会成为标配

现在的 AI Coding 工具大多还是"一个 Agent 一个任务"。但 GLM-5 的 200K 上下文窗口和 MiniMax M2.5 的极致推理速度，都在给"多 Agent 同时干活"铺路。Gartner 预测 2026 年 AI 智能体能实现数周级的任务连贯性。到时候你可能同时有 5 个 Agent 在不同分支上并行开发，你的活是审查和合并。

"入口→工作流→收入"的闭环竞争才刚开始

春节红包只解决了"让用户打开 App"这一问，后面还压着两道坎：让用户留下来（工作流价值）、让用户付费（收入转化）。这两道坎才是真正的竞争壁垒。

程序员的"升值方向"更清楚了

方向不是"学更多语言"，也不是"刷更多 LeetCode"，而是：

• 能设计出让 Agent 高效执行的系统架构
• 能定义出让 AI 产出可验证的验收标准
• 能编排多 Agent 协同而不翻车
• 能把经验沉淀成可复用的 Skill 和 Prompt

被重新定价的，是"定义问题的精度"，"写代码的手速"反而在贬值。

写在最后

今年春节让我最确定的一件事：AI 要不要进主流程，已经不是问题——AI 已经在主流程里，问题是谁还没完成组织升级。

GLM-5 和 MiniMax M2.5 同一周发布，表面是"卷参数"，实质是"抢定义权"——谁先定义 Agentic Engineering 的标准工作流，谁就握住下一代软件工程的话语权。

豆包、千问、元宝撒几十亿红包，表面是"烧钱拉新"，实质在"抢入口"——用户一旦习惯"有事先问 AI"，后面的商业化链路就顺了。

所以开工第一天真正要搞明白的是：我的团队有没有准备好从"写代码"转向"编排 Agent"——"选哪家模型"反而是后面的事。

如果还没有，就从今天那 5 条行动清单开始。

参考资料（官网/官方）

• Z.AI Release Notes：New Released（含 2026-02-11 GLM-5） https://docs.z.ai/release-notes/new-released
• Z.AI Docs：GLM-5 Overview https://docs.z.ai/guides/llm/glm-5
• 智谱 AI 官方：GLM-5 技术报告（All-Ascend Pre-training、Agentic Engineering 定位） https://zhipuai.cn/
• MiniMax API Docs：Models Release Notes（含 Feb. 2026 M2.5 发布） https://platform.minimax.io/docs/release-notes/models
• MiniMax API Docs：Text Generation（M2.5 能力与效率指标） https://platform.minimax.io/docs/guides/text-generation
• MiniMax M2.5 Hugging Face 开源页面 https://huggingface.co/MiniMaxAI
• 通义官网（Qwen / Wan 能力入口） https://qianwen.aliyun.com/
• 豆包 × 2026 央视春晚独家 AI 云合作伙伴 https://research.doubao.com/
• 腾讯元宝春节红包活动（官方微博） https://www.weibo.com/7914117279/QrLY7xX5i
• 阿里千问"30 亿春节请客计划" https://qianwen.aliyun.com/
• 界面新闻：2026 春节 AI 红包大战综合报道 https://www.jiemian.com/
• Anthropic：Agentic Coding Trends 2026（AI 使用比例与人类监督数据） https://www.anthropic.com/