复杂业务团队的 AI Coding 交付实践:知识库、RD 流程和质量门禁
整体背景
过去一段时间,复杂业务场景下的 AI 研发交付逐渐形成了一些共识:通过 Wiki 补齐团队上下文,通过 skills 和研发模板约束 AI 的分析、拆解和编码过程,再通过知识回补把需求里的经验沉淀下来。
在真正进入落地阶段后,每个团队都会遇到自己的具体问题,业务复杂度不同,应用数量不同,历史包袱不同,组织分工不同,发布和质量要求也不同。Wiki 怎么建,skills 怎么写,研发模板怎么拆,review 点放在哪里,最终都会有差异。
所以这篇文章主要讲我们团队是怎么设计的。
我们是一个复杂业务后端团队,系统中存在多个业务域、多个应用、多个模块,日常研发也会按应用、按模块、按业务方向协同。同时为了支撑各种繁杂的业务、保障稳定性、避免故障和资损,我们在架构上做了许多妥协,部分需求最终改动的代码可能不多,但前面的理解、拆解、确认和 review 链路会比较复杂,代码不仅要会写,还要写在对的位置上,延迟系统腐化,所以某种程度上也比较依赖开发者的经验。
考虑到这种复杂性,也为了能够平稳落地,所以我们没有一开始就奔着"短时间全自动化"去做,而是把 AI 研发流程的落地分成了三个阶段。第一阶段先打底:建设知识库,沉淀团队上下文;再用 Coding Agent CLI + skills + Markdown 模板,把需求分析、应用拆解、实现校验和知识回补这条链路跑通。
我们内部把这套流程叫 RD,也就是 research development。
名字是我们取的,本质上它就是一组 skills、命令协议和 md 文档。当前主要通过 Coding Agent CLI 来执行,但它并不和某一个 Coding Agent 强绑定。只要其他 Agent 能读取这些 Markdown 文件,理解里面的 requirement、analysis、implementation-check 和 continue-prompt,也可以接着干活。
这也是我们最开始先做 Wiki + skills + RD 流程的原因。
通用 Coding Agent 会越来越强,模型能力也会快速变化,新产品也会不断出现。业务团队很难长期押注某一个工具形态。真正值得花时间打磨的,是那些最有团队特征、最难被通用工具直接替代的东西:业务知识、应用边界、研发规范、质量门禁、跨应用协作方式和历史经验。
工具可以换,模型可以升级,底层的团队上下文和研发协议需要自己沉淀。
我们这套实践可以概括成三步:
知识库 + 工具链 -> 自动化流程 -> 自主协同交付
第一阶段先把知识库和 RD 流程跑稳。第二阶段再把更多流程动作交给 Agent 自动推进。第三阶段才是更完整的协同交付,包括开发、测试、发布、观测、回滚等生产链路。
这篇先讲第一阶段,也是我们认为最值得投入的底座部分,二三阶段我们正在开发中,后续也会有文章发出来分享。
总体设计
▐ 三层资产
当前这套系统可以理解成三层:
命令协议层.agents/commands/.agents/skills/知识资产层knowledge/RD 过程资产层rd/requirements/{requirementId}/
命令协议层定义 /kb:* 和 /rd:* 命令怎么工作。例如先读哪些规则文件,什么时候要澄清,什么时候必须停止,产物写到哪里,哪些事情可以继续执行,哪些事情需要人工确认。
知识资产层放在 knowledge/ 下。这里沉淀正式知识、候选知识、个人经验、模板、路由规则。
RD 过程资产层放在 rd/requirements/{requirementId}/ 下。这里保存某一个需求从输入、材料、澄清、分析、拆解、实现校验到知识回补的全过程产物,这些产物在设计上着重做了可以「跨会话执行」,解决上下文压缩导致的漂移问题。
用流程表示,大概是:
需求 / PRD / Bug / 变更 -> /rd:verify-prd - for产品,确保prd合格,前置输入质量提升 -> /rd:work - 通用rd命令,会根据输入自动引导用户下一步 -> /rd:clarify - 需求澄清,结合知识库对需求的不确认点进行补充 -> /rd:analyze - 需求分析,对需求进行分析并产出模块的需求摘要 -> /rd:decompose - 需求拆解,生成by应用的requirement做为开发产物 -> /rd:verify-requirement - 对需求进行确认,确保提交给应用的需求没有遗漏 -> 业务应用仓库开发 -> /rd:apply - 使用requirement进行代码实现 -> /rd:validate - 对比需求和实际代码,更新实现状态 -> /rd:code-review - 结合原始需求,研发规范,对代码进行CR -> /rd:release-plan - 生成发布计划,发布待确认点 -> 发布 -> 知识回补
这里的每个命令都不是为了多生成一个文档。它们更像研发过程里的检查点,把原来散落在聊天记录、人脑和临时文档里的判断,落到可以复用、可以 review、可以接续的文件里。
同时为了降低使用的难度,我们将 /rd:work 命令作为路由命令,其他命令作为原子能力。在使用 /rd:work 时,Coding Agent 会根据用户的输入和当前上下文,自动推断当前用户的意图,给出下一步引导,这样事实上大家只需要输入 /rd:work 一个命令即可。
这套方法并不是为了替代所有研发流程,也不是说所有需求都要完整跑一遍 RD。毕竟对于非复杂应用、非复杂的业务,普通的提示词 + Coding Agent 就可以实现。
对于很小的局部修复、纯样式调整、一次性脚本、低风险工具需求,直接让 Agent 修改再人工 review,最后使用 kb 命令入一下知识库,可能就足够了。
RD 更适合这类场景:需求跨多个应用,业务状态和上下游协议复杂,历史兼容逻辑多,发布风险高,或者需求本身需要多轮澄清和拆解,在这种场景下进行高质量的交付。
我们真正想解决的,是"复杂需求容易在理解、拆解和扩展点选择上走偏"的问题。
▐ 整体架构
▐ 研发流程
知识库设计:先分层,再进入研发流程
很多团队做 LLM Wiki 时,会先从"把文档整理给 AI 看"开始。这个方向没问题,但在复杂业务团队里,很快会遇到几个问题:
知识到底准不准;
哪些知识经过 owner 确认;
哪些只是历史材料里的线索;
哪些内容必须回到当前代码核对;
一个需求进来后,应该先读哪部分;
应用级知识和全局业务知识怎么区分;
个人经验、候选知识、正式知识怎么流转;
模板和目录规则怎么强约束。
如果这些问题不先设计清楚,Wiki 很容易变成另一堆"看起来有用、实际不知道怎么用"的文档。
所以我们把 knowledge/设计成一个比较完整的知识资产目录,而不是只做应用文档集合。
当前核心目录是:
knowledge/├── main/├── applications/├── candidate/├── personal/├── template/├── INDEX.md├── README.md├── KNOWLEDGE-RULES.md└── ROUTING.md
▐ main:沉淀业务域内的通用知识
放的是跨应用、跨系统、跨业务线的通用知识。knowledge/main/
例如:
业务域内的核心术语;
跨应用流程;
通用状态定义;
全局技术约束;
多应用都要遵守的业务规则。
这类知识不能归到单个应用里。如果强行放到某个应用目录下,其他应用在检索时容易漏掉,也容易把一个全局概念误解成某个应用自己的实现。
更像整个业务领域的"公共语境"。main/
它不负责解释某个应用内部怎么写代码,而是帮 AI 先建立大方向:这个需求属于哪个业务域,可能涉及哪些角色,哪些概念是全局统一的,哪些流程可能跨应用。
▐ applications:应用范围内的知识
放每个应用自己的知识。knowledge/applications/
一个应用目录大致长这样:
knowledge/applications/application-xxx/├── application-xxx.md├── INDEX.md├── domain/│ ├── product/│ ├── solution/│ └── base/└── tech/
这里面有几个设计点。
application-xxx.md 是应用总览。它说明这个应用负责什么,不负责什么,上下游是谁,核心模块有哪些,典型入口在哪里。
INDEX.md 是应用内导航。AI 进入某个应用后,不应该直接把整个目录读完,而是先读 INDEX,再按需求关键词、业务身份、Topic、接口、状态、模型等线索,决定下一步读哪些文件。
domain/product/ 放产品能力知识。这里记录应用提供的通用能力,比如创单、取消、下发、回告、状态流转、幂等、路由、单元装配等。product 更关注主干流程,尽量写稳定能力。
domain/solution/ 放解决方案知识。这里记录某个业务身份、某条业务线、某种履约模式对 product 能力的差异化扩展。solution 不应该把 product 全流程复制一遍,重点写差异:哪里扩展了,哪里覆盖了,哪里要兼容历史逻辑,哪里有特殊状态或规则。
domain/base/ 放基础索引。比如 API、消息、模型、Repository、表、字段语义、调用关系。我们发现这类信息在需求分析和代码定位里非常高频,如果散落在各个 flow 文档里,AI 很难稳定命中。
tech/ 放技术相关知识。例如研发规范、架构约束、框架使用方式、异常处理、调度任务、事务边界、MQ 处理规范、常见踩坑等。它不一定属于某个业务流程,但会直接影响代码实现质量。
一个示意性的应用目录结构(以下文件名仅作结构示例,不代表真实应用):
knowledge/applications/application-core/├── INDEX.md├── application-core.md├── domain/│ ├── product/│ │ ├── flow-create-order.md│ │ ├── flow-cancel-order.md│ │ ├── flow-dispatch-order.md│ │ ├── flow-operation-report.md│ │ ├── flow-update-address.md│ │ ├── flow-order-control.md│ │ ├── state-order-lifecycle.md│ │ └── state-unit-lifecycle.md│ ├── solution/│ │ ├── solution-A/│ │ │ ├── INDEX.md│ │ │ ├── domain-overview.md│ │ │ ├── flow-create-order.md│ │ │ ├── flow-service-report.md│ │ │ ├── rule-route-decision.md│ │ │ └── state-service-unit.md│ │ ├── solution-B/│ │ ├── solution-C/│ │ ├── solution-D/│ │ └── legacy-adapter/│ ├── base/│ │ ├── api.md│ │ ├── msg.md│ │ ├── model.md│ │ └── repository.md│ └── README.md└── tech/ ├── tech-architecture-constraint.md ├── tech-framework-architecture.md ├── tech-process-routing.md ├── tech-product-extension.md ├── tech-error-mq-handling.md └── tech-scheduler-task.md
这个结构的好处是,AI 读应用知识时有明确路径:
先看应用职责 -> 再看 product 主干能力 -> 再看 solution 差异逻辑 -> 再看 base 里的接口 / 消息 / 模型 / Repository -> 必要时读取 tech 里的研发规范和技术约束 -> 最后回到当前代码确认
这里有一个很重要的原则:
KB 提供稳定上下文,当前代码仍然是实现事实。
尤其是接口签名、DTO 字段、Topic 配置、feature key、状态枚举、开关配置这类容易变化的内容,知识库只提供定位入口。真正改代码前,还是要回到当前仓库核对。
▐ candidate:候选知识暂存区
knowledge/candidate/ 是候选知识区。
需求执行过程中,AI 会分析出很多有价值的信息,比如某个状态的业务含义、某个历史兼容逻辑、某个扩展点的使用方式、某条链路的上下游关系。
这些内容不应该全部直接写进正式知识库。
原因很简单:有些结论来自当前需求上下文,有些只是推断,有些还没有 owner 确认,有些可能只适用于一次需求。直接进入正式知识库,后面会误导 AI。
所以我们设计了 candidate 作为暂存区。
待合并知识先放这里,标清来源、证据、可信度和待确认项。后续经过 review,确认是稳定知识,再合并到 main/ 或 applications/ 里。
这能避免两个极端:
有价值的经验留在聊天记录里,下次没人找得到;
未确认的推断直接进入正式 KB,后面被 AI 当成事实引用。
▐ personal:个人研发经验和踩坑记录
knowledge/personal/ 放个人经验。
例如:
某类线上问题的排查经验;
某个模块的踩坑记录;
某种异常日志的判断方式;
某个历史坑的背景;
个人对某条链路的理解草稿。
这部分很重要。很多团队知识最开始都不可能天然是“正式文档”,它往往先存在于某个人的经验里。
但 personal 里的内容也不能直接代表团队结论。它更像个人工作区,可以帮助个人和 AI 快速复盘,也可以作为后续知识入库的素材来源。
如果某条 personal 经验被多次验证,或者被 owner 确认,就可以转成 candidate,再进入正式知识库。
▐ template:强约束的知识写作模板
knowledge/template/ 放各类文档模板。
例如:
application 模板;
domain 模板;
flow 模板;
state 模板;
rule 模板;
code 模板;
tech 模板。
模板不是建议格式,而是强约束。
AI 写知识时,最容易出现的问题是粒度漂移:今天写成流程总结,明天写成代码笔记,后天写成一段散文。短期看都能读,长期维护会非常痛苦。
模板的作用是把知识的结构固定下来,下面是一个 application 模板的示例(占位符均为示意值):
---# ==================== 必填字段 ====================id: KB-APPLICATION-{DOMAIN}-{SEQ} # 知识唯一编号type: application # 知识对象类型:application# 业务归属domain: {domain} # 业务域application: {appCode} # 应用编码# 应用类型(供 AI 工具自动识别,如 code-review 据此触发端面安全检查)appType: 后端应用 # 取值:前端应用 / 后端应用# 状态管理status: DRAFT # 状态:DRAFT/CANDIDATE/OFFICIAL/DEPRECATEDsourceType: official # 来源:official/ai-assisted/personalowner: {userId} # 负责人vers…