AI 原生产研工作流

​

方案架构

企业用 AI 编码的真实困境，不是模型写不出代码，而是一次成功难以复现。需求靠人一轮轮转述，上下文在多轮交互中流失；Agent 不了解业务边界与历史决策，在存量系统上尤其容易把功能「做对」、把系统改坏；生成速度上去了，评审与测试的承载力没有同步扩张，缺陷带着「已通过」的标签流向下游。三个问题分别指向流程、知识与质量，缺一个都无法规模化。

本方案沿研发时间轴把 AI 编码组织成一条可复现的流水线，并在流水线上下各加一条横向支撑带：

• SDLC 四阶段流水线——需求澄清、方案设计、代码开发、测试验证依次展开，阶段不可跳过、产物自动落地、控制流与数据流分离。每个阶段出口配独立门禁，不通过就地回环或升级人工，问题不带入下一阶段。任务在不确定时留在 Qoder IDE 由人同步校正，在目标、边界与验收标准稳定后再交给 Qoder 异步执行。
• 知识供给带——仓库知识与代码事实构成 Agent 的认知底座。强约束确定性加载，领域知识按任务作用域路由后混合召回，再经事实核验与预算裁剪组装为任务上下文包。给得准比给得多重要。
• 质量与进化带——确定性问题交给规则与 Hooks，语义问题交给独立评审并限定评估维度；执行与质检分离，重试有上限、升级有路径。运行数据回流后归因、干预、验证，把每次教训固化为更前置的约束。

三者的依赖关系是：没有流水线，护栏无处安装、知识不知道该在哪一步注入；没有知识供给，流程走得再规范也只是把错误规范地做完；没有观测与回流，约束密度不会自己增长。企业落地的优先级也是这个顺序——先搭骨架让任务成功可复现，再加密护栏拦住高频错误，最后打通闭环让体系越跑越顺。

​

方案优势

​

优势 01：阶段门禁拓扑，让交付可复现

一次交付必须经过的阶段被显式定义，阶段出口配独立门禁，产物结构化落地、Agent 之间只传路径不传内容，执行顺序由系统承载而非由 Agent 自行维护。解决人当「信息中转站」导致的上下文搬运丢失、约束中途遗忘、过程无法回溯的问题——同一个需求换个人、换一天跑，结果不再飘。

​

优势 02：人在环与契约异步双模式，按不确定性分工

需求或影响范围还不清楚时，在 Qoder IDE 里人在环同步校正、小步快跑；目标、边界和验收标准稳定后，把任务写成契约交给 Qoder 异步执行，人只在关键 Gate 介入。解决两类反向错误：把探索性任务硬塞给 Agent 长程自动跑，以及把已经明确的批量任务继续压在人的注意力带宽上。

​

优势 03：先理解存量，再设计增量

动态探索、静态扫描与业务认知三类证据交叉校验，结论明确区分已确认、存疑与待人工决策；影响分析覆盖调用方、配置分支、异步任务与数据兼容，并据此确定不可破坏的回归基线。解决 AI 只看到增量需求、看不到存量约束，把「没有看见」直接当成「不再需要」的问题。

​

优势 04：任务契约与护栏，执行与质检分离

Rules 界定什么能改、什么不能改，Skills 沉淀标准操作，Hooks 在关键动作前后触发确定性校验；质检 Agent 与执行 Agent 相互隔离，判定收敛为通过、带警告通过、不通过、升级人工四态。解决「自己给自己判卷」的结构性偏差，以及只写在提示词里的边界会随上下文噪声漂移的问题。

​

优势 05：知识工程供给准确上下文

强约束优先确定性加载，领域知识按作用域路由后混合召回，沿依赖与上下游关系有限扩展，再核验状态、版本与当前代码事实，最终裁剪成受预算控制的任务上下文包。解决知识不足与知识过载同时发生的困境——一份长文档里真正决定实现的往往只有很小一部分。

​

优势 06：自进化闭环，让约束密度持续增长

运行数据沿指标、链路、日志三层还原执行过程，异常经归因定位到流程、上下文或角色边界，干预方案由人拍板后落地，并用前后对比验证是否真的收敛且没有引入新误报。解决教训留在个人记忆里、同一个坑反复掉的问题——判据只有一条：同类错误的暴露点是否前移。

​

业务场景

​

场景 01：0-1新项目开发——先收敛意图，再放大生成

先把模糊意图收敛成明确契约，再让 Agent 在契约之下并行放大生成。

• 客户问题：新项目没有历史包袏，也没有兜底。业务目标、领域边界、接口契约与非功能要求一旦停留在模糊状态，Agent 不会停下来追问，而是用看似合理的默认值填补空白，并在高速生成中把未经确认的决策固化成代码。生成成本趋近于零之后，最大的浪费不再是写得慢，而是很快把错的东西做出来。
• 触发条件：新产品、新模块或新服务从零启动；目标形态可能是验证想法的原型、面向市场的 MVP 或生产级系统。
• 平台与 Agent 动作：需求澄清依次收敛目标与范围、用户与核心场景、领域模型与业务规则、验收标准与非功能要求 → 方案设计先发散再收敛，确定产品、体验与技术边界，并立起工程骨架，技术栈、目录结构、测试体系与 CI/CD 从第一天就按对 Agent 友好的方式设计 → 代码开发先铺脚手架与工程基线，公共契约稳定后按依赖拓扑并行生成，小步执行、按批次提交 → 测试验证同时建立质量基线并证明系统真的可用。工程强度随目标升级：原型在 Qoder IDE 中以轻量契约快速迭代，MVP 需要完整需求与设计输入并由 Qoder 并行生成，生产级系统还要补齐非功能与安全基线、完整 CI/CD 与人工 Gate。
• 交付结果：可判定的验收标准与非功能基线；工程骨架与脚手架；按契约生成的代码与测试；一套可复用的 AI 原生研发资产，包括 Rules、Skills、模板与仓库知识。
• 完成定义：不是「Agent 生成了可以运行的系统」，而是系统满足业务目标、设计经过确认、质量可被证据证明、所有关键决策由人做出并留有记录。
• 人工闸口：产品签署目标与范围；开发与架构确认领域模型、公共契约与工程骨架；非功能与安全基线审批；发布前验收。

​

场景 02：老项目迭代——先理解存量，再设计增量

先建立可追溯的存量认知与回归基线，再把增量目标映射为受控的变更方案。

• 客户问题：存量系统的真实规则分散在代码分支、配置中心、消息消费、定时任务与人员经验里。Agent 只看到增量需求、看不到这些存量约束，可能把功能「做对」，却把系统改坏；界面已下线不代表后台链路已停止，没有静态引用也不代表线上没有被调用。
• 触发条件：存量模块出现新增或变更诉求，范围可能是局部修改、跨模块迭代或架构重构。
• 平台与 Agent 动作：需求澄清同时明确增量目标与非目标，并用动态探索、静态扫描、业务认知三类证据交叉校验，结论分为已确认、存疑、待人工决策 → 影响分析覆盖调用方、被调用方、配置分支、异步任务与数据兼容，据此确定不可破坏的回归基线 → 方案设计建立影响映射，把结论落到模块、文件、类与代码动作，形成含任务拆分、依赖顺序、修改边界、验证计划与回滚路径的契约 → 代码开发在 Worktree 执行环境中隔离变更，先稳定公共契约再启动上层任务，每个批次走「最小修改、编译与局部测试、检查 Diff、记录证据、独立提交」的循环，Hooks 在关键动作前后做确定性校验 → 测试验证逐级扩展：工程正确、功能正确、系统可运行、行为等价，高风险重构还要通过新旧行为对比确认非目标范围一致。
• 交付结果：存量认知基线与分级影响清单；变更契约与影响映射；增量代码与测试；功能验收与存量回归双重证据；更新后的仓库知识、Rules、Skills 与回归基线。
• 完成定义：新功能满足目标，同时没有证据表明非目标范围内的既有行为被破坏——两者都成立，变更才算成功。
• 人工闸口：产品确认业务目标、非目标与功能存废，存疑能力不得由 Agent 自行删除；开发与架构审批模块职责、公共契约与高影响代码动作；权限扩大、连续失败或将触碰禁止范围时停下升级；独立回归与验收通过后才发布。

​

场景 03：Agent 端到端交付——需求进，代码出

把可描述、可验证、可回写的小闭环工作整体交给 Agent，人只在关键节点确认。

• 客户问题：任务的供给速度正在超过人工处理带宽。用户反馈与线上问题持续累积、大量小需求吞掉研发并发、工作项只能在人在线且能切换上下文时才被推进。这类积压靠增加人力无法规模化解决。
• 触发条件：缺陷报告、体验反馈与低风险小闭环工作（配置调整、规则补齐、兼容修复、文档与工具完善）进入队列，且入口稳定、判断规则可以沉淀为 SOP。
• 平台与 Agent 动作：工作项从研发协作平台同步进入，由人在看板上分拣 → Agent 认领后自动展开澄清、计划、开发、测试、代码评审等子任务 → 上下文工程把工作打包成 Agent 能理解的工作包，团队 SOP 以研发模板固化为可执行的流程契约 → 每个任务在独立、可恢复的工作现场执行，中断后可续跑 → 阶段产出与状态回写到同一条时间线，形成可验收的证据链 → 遇到信息不足、范围变化或高风险决策时请求人确认。
• 交付结果：可被认领执行的工作项与子任务时间线；契约化的研发模板与工作包；带证据链的交付结果，含变更、测试与评审记录。
• 完成定义：「已完成」不等于「可验收」——阶段产出、测试与评审证据齐备并回写到工作项，人在关键节点确认后才算交付。
• 人工闸口：工作项分拣与适用性判断，包括入口是否稳定、规则能否沉淀为 SOP、是否存在必须由人确认的节点；范围变化与高风险决策；最终验收。

​

参考实践

​

实践名称

高德汽车业务中心 AutoSDK：百万行 C++ 存量 SDK 的 AI Native 全链路迭代

​

实践背景

• 客户与业务：高德汽车业务中心的 AutoSDK 是面向汽车行业的车载导航 SDK，累计百万行 C++ 存量代码、跨二十余个 Git 仓库，大量车企客户基于它二次开发并已量产交付。
• 行业约束：车规级交付要求任何一行上车的代码都经得起长期真实场景检验，任何 Breaking Change 都可能触发下游数十家车企的连锁反应，甚至影响已量产车型的产线节奏与 OTA 计划。
• 原有流程：AI 编码采用「生成结合事后把关」模式，靠人力兜底；一旦规模化，审核跟不上产出，质量随人波动。
• 核心问题：单次生成的稳定性是短板，集中暴露为探索跑偏、生成偏差、架构违背、约束遗漏四类失败，归因后根因高度收敛——业务术语含义、模块职责边界、历史方案取舍这些领域知识从未被结构化为 AI 可消费的形式。同时输入侧噪声极高，一份 PRD 约 200k 上下文，真正决定功能实现的规则只占约 10k。
• 试点范围：AutoSDK 二十余个业务组件仓库，覆盖知识生产与消费、全链路流水线、质量护栏与自进化闭环的完整链路。

​

实践方案

• 事件如何进入：需求进入流水线后由专职角色接力，代码合入主干触发知识增量更新，门禁打回与观测指标劣化触发改进闭环。
• 控制层如何路由：先给知识画分层地图，从代码事实、术语与流程、业务领域知识到约束与偏好，事实性层次交给 Qoder 知识引擎批量提炼，经验判断类交给 Skills 与 AGENTS.md 由资深工程师书写；能力资产按通用、领域、流程三层隔离，并在编排阶段一次性锁定白名单，开发角色拿不到验证能力。
• Agent 如何执行：流程拆成意图识别、编排规划、代码调研、领域设计、编码实现、自动化验证等阶段由专职 Agent 接力，每个执行 Agent 外挂独立质检，按脚本秒级拦截、结构校验、领域深检逐层递进；上下文按常驻、按需召回、角色内隔离、沉淀为阶段产物分类治理，Agent 之间通过契约传路径而非传内容；确定性问题在落盘前由 Hooks 直接校验改写，语义问题由独立评审 Agent 阅卷。
• 结果如何回写：知识经规划、生产、调优后写入知识库，同一份知识同时服务人与 AI 不分版；执行数据沿指标、链路、日志三层沉淀；质检结论与打回记录进入闭环，成为规则、Skill 与流程优化的输入。
• 失败如何回流：bad case 固定按定位、修订、回归三步处置，回归不依赖人能否读懂，而是回到原任务验证 AI 行为是否被纠正，不通过就回炉；门禁重试上限为两轮，超限转人工。
• 人工在哪些节点决策：知识生产蓝图由人审核修订；设计与编码两道定调工序在机器质检之后叠加人工确认；改进建议由系统生成、人工评审拍板，拒绝时记录理由避免重复建议。

​

实践流程

​

实践结果

• 交付质量与效率：缺陷漏出下降约 73%，代码采纳率达到 84%，基于埋点统计的 API 规范遵守率达到 80%；面对定义清晰、约束成熟的需求，端到端交付周期从月迭代转向周迭代。
• 知识体系的直接收益：知识落地后严格一次做对率从 37.3% 提升至 61.5%，完成一次任务的平均对话轮次从 3.49 降至 2.53；同期按是否实际召回知识做受控对比，召回组交互链路平均缩短 39%，在复杂任务与大型工程场景最为突出。
• 流程与成本优化：调研阶段支持多实例并行后平均耗时降低约 50%，整体流程耗时从 1.5 小时缩短到 1 小时以内；主 Agent 平均上下文占用从 70% 降至 50%；四大质检门禁持续产出可消费的通过与打回数据，通过率提升 50%。
• 已验证的闭环：知识「生产—调优—更新—消费」闭环，让同一类错不再发生第二次；质检打回记录经归因、干预、验证转化为默认携带的流程约束。
• 尚未覆盖的范围：事后沉淀是三道防线中最不成熟的一环，从一条反馈到一条生效规则的转化仍以人工判断为主；业务逻辑类评审仍在演进；知识多人共编的评审、灰度与回滚能力仍在完善，阶段性做法是每个模块的知识收口到一位 Owner。

​

推荐产品组合

只展示完成本方案所必需的产品。仓库知识与知识召回、Rules 与 Skills、Hooks、Worktree 隔离执行、MCP 扩展等能力内置于下列产品之中。