本文以腾讯 OK 平台的实践为背景,讨论 AI 如何从辅助写代码,进入需求理解、实现、验证和交付的完整研发流程。方案强调先将需求与验收条件结构化,再约束 Agent 的修改范围,通过质量门禁、关键路径测试和代码审查形成反馈闭环,并把可复用经验沉淀为知识资产。文章将关注点从代码生成速度转向需求交付质量,为团队设计 AI 研发流程、确定人工介入节点和建立质量标准提供参考。
flowchart TD A[手里来了一件工作] --> B{现在最需要解决什么} B -->|不知道该选哪个技能| R[ask-matt 推荐入口] B -->|需求还没想清楚| G[grill-with-docs 澄清需求] B -->|小改动且要求明确| I[implement 实现] B -->|已有疑难故障| D[diagnosing-bugs 诊断] B -->|外部反馈堆积| T[triage 分诊] B -->|项目太大且方向模糊| W[wayfinder 建决策地图] B -->|代码越来越难改| H[improve-codebase-architecture 找改进机会] G --> S[to-spec 形成规格] W -->|关键决策已明确| S S --> K[to-tickets 拆解工单] K --> I T -->|形成可执行工单| I H -->|选定改进项| G I --> V[tdd 与 code-review] V --> F[处理发现并提交]
flowchart LR A[打开目标项目] --> B[运行 setup-matt-pocock-skills] B --> C[检查已有约定] C --> D[确定任务存放位置] D --> E[按需确定分诊标签] E --> F[确定业务文档布局] F --> G[展示草稿并确认] G --> H[保存配置供后续技能读取]
flowchart TD A[读取工单及规格] --> B[在适用处使用 tdd] B --> C[写一个失败测试] C --> D[运行并确认暴露目标缺口] D --> E[写最小实现让测试通过] E --> F{本工单行为是否完成} F -->|还有行为| C F -->|已完成| G[运行完整测试] G --> H[code-review] H --> I[规范检查] H --> J[需求检查] I --> K[处理评审发现并验证] J --> K K --> L[提交到当前分支]
flowchart LR A[wayfinder 明确规划目标] --> B[建立决策地图] B --> C[逐项调研或讨论] C --> D{路线是否清晰} D -->|否| B D -->|是| E[to-spec 汇总成可实施规格] E --> F[to-tickets 拆实现工单] F --> G[implement]
flowchart LR A["接收请求"] --> B["识别任务与作用域"] B --> C["召回候选记忆"] C --> D["过滤、重排、去重"] D --> E["摘要与 Token 预算控制"] E --> F["组装当前上下文"] F --> G["调用模型与工具"] G --> H["异步抽取并更新记忆"]
文章指出当前 AI 提效陷入“单点优化、全局低效”的困境,根源在于协同缺失。真正的破局点是构建以“知识底座+Agent+人”为核心的 AI Native 团队,将流程串联者从人转变为 Agent。其中,人是目标与判断的负责者,Agent 负责执行与串联。实现该形态的关键瓶颈在于为存量业务构建可持续更新的知识底座。
vivo 前端团队建设了一套覆盖 Web 端、编码阶段和 Android App 的无障碍检测工具链。通过 Chrome 插件、VS Code 插件(含 AI 修复)和基于 ADB 的桌面端检测工具,将无障碍检查嵌入研发全流程。工具链实现了问题的早发现、准定位与快修复,并借助大模型辅助生成修复方案,使无障碍能力从专项检查转变为团队日常的可持续质量实践。
高德汽车分享了 AutoSDK 全链路 AI Native 开发中如何通过 Harness 实现可控交付。Harness 作为包裹模型的工程控制系统,通过“事前防控、事中阻断、事后沉淀”三道防线,解决 AI Coding 的失控风险。核心机制包括:上下文治理(LCR)和确定性行为约束(Hook);AI 自测与 AI 代码评审双 Agent 协作机制;以及通过评测体系将反馈左移,最终使 AI 交付从“偶尔成功”走向“稳定可复现”。
本文介绍了为应对AI在存量项目中理解偏差、执行不稳等问题而自建的"OpenSpec规范层 + AI Workflows执行层"体系。其核心机制是:用OpenSpec将模糊需求拆解为结构化的proposal/design/tasks三层文档,让AI先理解"做什么";再用Workflows编排步骤、Skills封装领域经验、Hooks自动检查质量,指导AI"怎么做"。通过这套"规范+技能+钩子"的组合,作者将AI从"需要反复纠正的实习生"提升为"可信赖的开发搭档",显著提升了增量开发场景下AI协作的准确率与稳定性。
其实我挺想念 AI 出现之前的时代的,当时每一行代码我都能解释,为什么这么做也是经过各个工程师和产品设计的讨论,虽然慢,但是胜在简单安心,精进编程能力的道路也是相对清晰。而 AI 的出现让我有点迷茫了,或者也许不只是我。如果 AI 什么都会,我们应该做什么,留给我们的路线是什么?
最近我们团队里面正在尝试组建「AI Native」团队,按我的理解就是要让 AI 工作的时间超过人工作的时间,打破传统的工作模式,让 AI 变成所有人工作的核心工具。以前说人人都是产品经理,现在 AI Native 的终局可能是人人都是产品、设计、研发、测试、市场 😃。我们现在还在阵痛期,对于非工程背景的角色如何参与代码开发也在试错。但我确实觉得现在大家都太浮躁了,所谓谋定而后动,有时候也许慢就是快。我在这个阵痛期也是感觉工作变得越来越无趣,也开始焦躁烦躁。
吐槽吐的差不多了,故事才刚开始,我最近又重新燃起了热情,因为我好像发现了 AI 之于我的价值所在了!
有一天早上我偶然刷到一个关于 M5Stack Cardputer 的视频,视频里的博主利用这款硬件开发了一些软件,比如复刻了老罗的TNT、音箱歌词显示器、万能遥控器什么的,回想到之前很多人做过 Vibe Coding 键盘啥的,我突然想要自己做些什么硬件,因为我感觉这和我的本职工作 Web 前端是一个不同的领域,我可以利用硬件能力触碰现实世界了。硬件和网页很不一样,可以有按钮,有旋钮,有一块屏幕,可以真的拿在手里。软件跑起来以后,屏幕会亮,旋钮会响应,扬声器会发出声音。写的东西不再只是浏览器里的一个页面,而会占据真实的空间。
我当时对硬件几乎一窍不通,但 AI 让我有了一种以前没有过的感觉。很多不熟悉的东西,好像都可以先进去看看,我相信 AI 能帮我解决。我对着 ChatGPT 问了一上午,终于确认了我要怎么开始玩硬件。
于是我跌入了绝望之谷,我知道了硬件这个领域还有太多我不懂的东西,我交给 AI 做的工作如果我都无法判断,没有概念,那这些混乱也会被 AI 放大,直至失控。。。
从跌倒的地方爬起来
消沉了一段时间以后,我觉得还是退回来,做一些我相对擅长的事情,比如确定这个产品需要做成什么,需要哪些硬件,外形如何,如何使用。于是我开始尝试跟 AI 讨论把这个概念设计和外形工业设计定下来,为此我还学习了一些工业设计的技巧。最终形成了概念设计文档、硬件清单和一个 3D 模型(虽然还是挺粗糙的)。希望能交付给第三方帮我搞定硬件。
但是在我接触了一些闲鱼上的代做单片机相关的商家以后,都对我这个产品不太感兴趣,经过多轮沟通给我报价 8500,虽然我想过会很高(毕竟后面跟 AI 探讨的太起劲了,把这个产品扩展的有点全能了😓),但是没想到会这么高,再评估一下后续可能返工带来的时间和金钱成本,我还是放弃了,感受到这个 Leap 以后,我的兴趣确实逐渐消散了。
后续我又规整自己的想法和里程碑,明确了究竟自己想要做什么,新开了项目 PCB Atelier 结合了之前 Neo、Cadenza 的各种和 AI 协作的经验,目前效果不错,已经初步实现了我想要的功能,可以像 PS、Sketch 一样操作图层(和对应 PCB 的物理层)并最终导出「嘉立创 EDA」的项目工程可以直接进行下单。后续规划是进一步提升稳定度和可靠性,并增强图片处理能力让前期选定图案的时候也可以在 Atelier 中完成,除此之外还考虑加入 AI 能力,可以接入自己的 Codex、Claude Code、API 等在 Atelier 中进行 AI 图片生成或处理,甚至是直接让 AI 来帮助完成作品的评估和修改。
学着从愚昧山峰上自己走下来
在经历了这么多高强度和 AI 协作的项目后(感谢 Tibo 老板送的 Reset 和 Codex 限制解除!),我逐渐摸索出了一些在 AI 时代创建新项目的技巧,在这里分享给大家(奖励一下能看到这里的读者)。
想清楚方向,你究竟想要什么
这一点是最重要的,如前文所说 AI 是放大器,混乱的开始只能以混乱结束,你必须心中有数,明确自己想要什么,如果你只有一个非常模糊的想法那你应该和 AI 先一步步讨论清楚,过程中可以尝试利用 grill-me 之类的 Skill,在你确认好再进行下一步。即使你想给 AI 留出一定空间来进行自由发挥,也请保持心中有数,在发觉不对的时候赶紧悬崖勒马。
做足调研,站在巨人的肩膀上
在没有 AI 的时代,工程师们就贡献了很多了不起的工程项目,AI 很多的编码技巧就来源于这里,所以别过度相信 AI 生造的东西。
我在开启新项目的时候会留一个目录专门存放一些可以用来参考的代码或资料,AI 拥有着前所未有的搜索和信息整合能力,我会让 AI 给我一份清单,要包含我们当前这个项目相似或者可能会有关联的开源项目或者资料,再将他们克隆或者下载到这个目录,我认为这样在后续我们进行正式的代码开发时让 AI 参考本地的项目会比利用什么 API 参考线上的项目更高效。
当然,请注意边界,不要「过度深入」的参考其他人的开源项目,虽说这个边界很难琢磨。
判断力的缺失将导致失控和灾难
执行力可以外包,而判断力不行,如果想要做成一个广义上的好项目必须具备领域的基础知识和审美,如果当 AI 给出一些选项时,你根本无法进行抉择,只能永远让 AI 给你提供建议那你就是在完全被 AI 牵着鼻子走,这不是你的项目,这是 AI 的项目,只是你给你的 AI 支付了 Token 罢了。
接下来我准备去玩玩 Flipper Zero,也想学一下通信相关的知识。估计后面还是会踩很多坑,但我相信 AI 能继续帮我把这个领域的门稍微推开一点,哈哈。
关于本文:
我以前很讨厌 AI 的一点就是在于 AI 让工业化生产内容变得太简单了,导致同质化的内容太多了,现在看到 AI 腔(不是。。。而是。。。)我真的很想吐,也许误伤了一些本身就这么创作的人,但看到 AI 腔总让我感觉这篇文章背后是冷冰冰的机器花了 30s 生产出来的,我就对这篇文章一点也不感兴趣了。(我早年经常翻译英文文章来练习英语,翻译的还很生硬,所以可能 AI 腔没有但翻译腔会比较重hhh)但工具也在反向影响我们,在 AI 生产的内容充斥在我们周围时,我们也在不知不觉之间受到其语言风格行为习惯的影响。 我敢保证本文 99% 由人类撰写,剩下 1% 是我让 AI 修了些错字,提供些修改建议。但我确实利用 AI 的检索和整合能力,通过对话将本文所有的素材做了收集,在我需要的时候 AI 可以将素材发给我。