面向Skills编程-淘宝企业购端对端研发提效实践
过去我们应对业务变化的经典策略是DDD分层 + 配置化:通过领域建模拆分业务能力,通过配置参数驱动行为差异。这套模式在以人为主的传统研发模式下行之有效,但面对高频定制化需求时,由于人力的稀缺,依然可能存在交付瓶颈:
当定制化需求高频出现时(如企业购每个客户接口都不同),配置化的参数空间爆炸,SPI扩展点变成了"每次都要写的代码",开发者本质上还是在手写适配逻辑—DDD实现了架构解耦,但没有解决重复编码的问题。
面向Skills编程的核心思想是:将"人写代码"转变为"人写Skills,LLM基于Skills写代码"。 程序员向更高一层抽象——从"实现逻辑"上升为"定义Skills",基于Skills将个人经验转化为可复用的AI能力单元。
类比理解:如果说传统编程中"接口/抽象类"定义了代码的契约,那么Skills就是定义了AI行为的契约——它告诉LLM"做什么、怎么做、不能做什么",就像接口定义告诉实现类"必须实现什么方法",让大模型从“知道分子”成为“行动专家”。
垂直领域的Skills本身不通用,但构建Skill的方法论是通用的——识别重复模式 → 封装不变量为Skills→ 将变化的部分作为输入 → LLM在约束下执行。
维度评估:你的场景是否适合引入Skills
维度评估:你的场景是否适合引入Skills
维度评估:你的场景是否适合引入Skills
落地路径:四步构建你的Skill体系
落地路径:四步构建你的Skill体系
落地路径:四步构建你的Skill体系
不论你在什么业务域,都可以按以下四步构建自己的Skill体系:
面向企业客户的采购需求,淘宝企业购提供一整套包含淘宝全平台丰富供给以及私有化企业采购服务产品链路的解决方案。在标准模式(SKA模式)下,淘宝企业购已提供完善的基于淘宝开放平台的TOP标准接口,支持外部客户自主对接,覆盖标准化的商品、交易和结算服务。
然而在实际业务拓展中,大量大中型客户自身已经具备成熟的系统和接口规范:
自研内部商城:如某大型政府机构,内部自建了采购商城系统,拥有自己的接口协议
外部SAAS商城:如使用第三方SAAS采购平台的客户,遵循SAAS平台的接口规范
这些客户改造自身系统来适配淘宝企业购标准接口成本较高,因此需要企业购反向适配其系统接口。出于业务发展的需要,企业购需要主动适配客户系统的接口规范,由此衍生出客户定制对接这一高频研发场景。相对于客户主动对接TOP标准接口的标准对接模式,我们将这种企业购反向适配客户接口的模式定义为定制对接模式。
客户对接的核心工作是:基于客户提供的对接文档,理解其接口规范,开发适配层代码,实现企业购标准服务与客户系统的互通。一次典型的对接项目工作流程如下:
对接工作涉及三大业务域——商品(商品信息同步、类目映射)、交易(订单创建、物流同步、逆向)、结算(对账、结算单、发票管理)。由于每个客户的接口规范各不相同,适配代码几乎无法跨项目复用,每次对接都需要从文档评估到代码开发全流程重新执行。
主要工作构成:
这一业务模式具有四大典型特征:对外对接高频、需求碎片化、技术方案重复度高、交付周期敏感。在传统研发模式下,面临以下瓶颈:
核心问题:当前以人工为中心、AI辅助的研发模式无法满足业务"快交付、低成本、高灵活"的诉求。
▐ 成果速览
经过近半年的系统性探索与实践(2025.8 - 2026.2),团队在研发范式、研发效率、技术沉淀三个维度取得了阶段性成果:
研发范式升级
从"依赖个人经验的对话式编程"迈向"基于Skills的工程化AI协作",实现端对端编程实践探索,以人为主导,逐步转向人通过Skills传递经验给AI,指挥AI编程。
研发效率提升
▐ 成果速览
经过近半年的系统性探索与实践(2025.8 - 2026.2),团队在研发范式、研发效率、技术沉淀三个维度取得了阶段性成果:
研发范式升级
经过近半年的系统性探索与实践(2025.8 - 2026.2),团队在研发范式、研发效率、技术沉淀三个维度取得了阶段性成果:
研发范式升级
研发范式升级
研发范式升级
从"依赖个人经验的对话式编程"迈向"基于Skills的工程化AI协作",实现端对端编程实践探索,以人为主导,逐步转向人通过Skills传递经验给AI,指挥AI编程。
研发效率提升
研发效率提升
商品域端到端交付周期从23.5人日缩短至8人日,整体提效65%,代码一次生成成功率达到90%。
技术沉淀
技术沉淀
构建了覆盖全链路的Skills体系和端到端生码平台,将个人经验转化为可复用的组织能力资产。
过去半年,团队在巨大的交付压力下,围绕 架构解耦、AI编程、AI工具应用 三大方向进行了系统性探索。演进路径与AI技术发展趋势高度一致,每一阶段都是对前一阶段"天花板"的突破:
2025年8月 | 落地项目:某大型ISV
做法:基于弹外架构独立部署的安全性优势(可使用所有开源代码、最新大模型和AI工具),团队开始尝试以自然语言对话驱动代码生成。开发者通过与AI对话描述业务需求,AI直接生成适配代码。
效果:迈出了AI编程的第一步,验证了对话式编码在外部接口适配场景中的可行性。基于某ISV项目完成了整体架构落地,实现企业购标准服务与客户适配逻辑解耦。
瓶颈:
产出质量不稳定:完全依赖个人Prompt技巧,同一需求不同人写出的Prompt质量差异巨大
难以复用:知识散落在临时对话中,新人无法继承前人的经验
强依赖个人能力:AI输出质量与开发者的提示词工程能力强相关
2025年9月 | 落地项目:某大型企业
做法:采用流程模板化 + 子任务Prompt模板双轨策略,取得阶段性成效:
流程模板化:将共性环节(如"商品同步")抽象为可复用的对接模板——抽象商品同步流程,分离变与不变的逻辑,对接新客户仅需在已有模板基础上开发变化部分,即可快速生成可用流程,避免从零编排。其核心目的是让AI做确定性的具体事情,避免发散——通过预定义流程骨架,将AI的工作从"自由设计一个同步流程"收敛为"在已有模板上填充差异化逻辑"。这本质上是将"参数驱动"的旧范式,升级为"任务视角"的结构化表达——以终为始,围绕业务目标组织流程节点。
子任务Prompt模板:将开发过程拆分为多个子任务(脚手架搭建、接口对象生成、对象映射、接口串联),为每个子任务预置结构化Prompt模板,统一输入格式、约束输出维度、嵌入业务规则。此举显著降低了AI调用的随意性,提升了结果一致性与可维护性,是模板化在认知层的延伸补充。
示例:通过商品域主流程抽象,分离变化的部分和不变的部分,收敛AI的任务
流程抽象
效果:
AI生成代码采纳率 70%
4类Prompt模板形成可复用资产,新人可快速上手
瓶颈:
Prompt模板虽然在单个子任务上效果显著,但暴露出两个核心问题:
问题一:AI发散不可控,无法提前预览设计思路
Prompt模板只约束了输入和输出格式,但无法约束AI中间的"思考过程"。开发者无法在代码生成前预览AI的设计思路(如接口如何拆分、DTO如何设计、调用顺序如何编排),导致AI生成的代码与预期不符——发现问题时代码已经生成完毕,只能推翻返工,反而拉长了迭代周期。
问题二:单点提效,无法承载SOP
Prompt模板无法支撑端到端的标准化操作流程(SOP),核心原因在于:
执行不可控:Prompt模板受限于上下文长度和状态记忆缺失,易出现步骤跳过、顺序错乱、工具误调用等问题,无法保障流程的确定性执行
SOP与推理任务的本质冲突:SOP本质是有约束的确定性流程,而非开放性推理任务——需要将"自由发挥"转化为"受控选择",但Prompt模板缺乏这种约束能力
缺乏能力基座:当前仍依赖人工保证流程正确性,根源在于缺乏流程节点标准化、工具参数模板化、决策边界显性化的能力基座
2025年12月 | 落地项目:SAAS项目
做法:引入SDD方法论,用结构化规格文档驱动AI生成。在SAAS项目中使用OpenSpec工具验证了Spec编程的可行性——从对话式编程到用规范约束AI,通过工程规范、开源知识库、业务约束三层引导,让AI输出能落地的代码。
效果:
AI生成代码可用率从 40%提升至80%
瓶颈:
SDD方法论验证了Spec驱动的可行性,但在实际落地过程中暴露出规模化推广的瓶颈:
流程执行成本高:SDD要求严格遵循"提案(Proposal)→ 实施(Apply)→ 归档(Archive)"三个环节顺序执行,且过程中涉及多轮需求澄清和方案迭代,单个Spec从编写到定稿往往需要3-5轮人工交互,流程本身的投入不可忽视
强依赖个人经验,无法规模化:Spec的编写质量高度依赖编写者对领域知识的掌握程度——如SPU/SKU模型理解、推拉模式选择、字段映射方向等关键决策,仍然散落在个人脑中,缺乏标准化的知识载体。新人面对同一份客户文档,写出的Spec质量与老手差距悬殊,无法通过简单培训弥合
领域知识未固化:SPU/SKU混淆、ID字段混淆等问题跨项目反复出现,说明领域经验没有沉淀为可复用的约束规则,每次仍需人工记忆和校验
2026年1-2月 | 落地项目:某大型ISV
做法:企业购客户对接场景天然适合Skill体系——每一次客户对接都是一个全新的项目,但执行的流程高度重复(文档评估→技术方案→代码开发),变化的只是客户接口规范、字段映射关系和业务流程编排。这与Skills倡导的可复用技能包理念高度契合:将不变的流程、规则、领域知识封装为S…