天猫行业中后台前端研发Agent设计


本文介绍了一种面向天猫行业中后台前端研发的AI智能体(Agent)系统设计,旨在通过垂直化、多智能体协同和以需求为中心的架构,实现从产品需求文档(PRD)到代码交付的自动化研发流程。文章分析了当前AI辅助编码的提效瓶颈,提出将AI介入点前移至需求阶段,并构建了包含需求分析、任务拆解、代码生成与部署等子Agent的Multi-Agent体系。系统结合ReAct模式与“人在环路”机制保障准确性,采用本地化MCP服务和GraphRAG知识图谱提升安全性和上下文理解能力,同时引入视觉优先的多模态UI测试框架。最终目标是让开发者从重复性工作中解放,专注于高价值创新,推动研发模式由“工具辅助”向“需求驱动”的范式变革。

中后台研发提效背景


目前,我们正处于AI研发在企业生产环境中应用落地的关键转折点。Web编码不仅限于Vibe式的"氛围"编程,而是能够切实地应用于围绕需求规范驱动的实际业务场景中。


中后台业务有特征使得非常适合落地ai编码的场景,包括不需要考虑:三端(Android,IOS,Web)一致性,对比页面加载性能和UI还原度,对比交付效率优先级会更高。


今年我们团队开发了业务前端页面的NC VSCode IDE开发插件,目前已在团队内全面推广应用。



随着大模型技术的快速发展,前端页面开发的成本已大幅降低。现在只需要明确三个关键要素:业务需求逻辑、交互设计和服务端接口定义,就能快速完成页面开发。


以最新的Claude 4等先进模型为例,它们在Web页面开发方面展现出卓越能力。这背后的核心原因在于训练数据的分布特征:大模型训练时,JavaScript和Python等主流编程语言在公共网络中拥有海量的高质量代码样本,为模型提供了丰富的学习素材。对于前端开发而言,JavaScript生态的开放性和活跃度为AI辅助开发提供了得天独厚的优势。


相比之下,COBOL等传统语言由于在开源社区和公共代码库中的数据稀少,模型的表现相对有限。这种训练数据的差异直接决定了大模型在不同技术栈上的能力边界。


提效瓶颈的深度分析

通过实际数据统计,我们发现AI辅助开发的提效结果并非线性关系——AI承担50%的编码工作,并不等同于工时减少50%。深入分析后,我们识别出两个核心制约因素:

制约因素一:场景适配性局限 当前主流的AI提效方案主要针对从零构建页面的场景,但实际业务需求中,大部分工作围绕长期工程项目的变更迭代展开。对于基于现有代码库的功能增量开发,现有方案的提效作用有限。

制约因素二:编码时间占比偏低 通过工时分析发现,程序员纯编码时间仅占整体工作量的25%左右,通常不超过40%。真正的效率瓶颈往往在于需求评审、会议协调、排期对齐等信息同步环节,而非编码本身。


所以今年在解决研发提效这个命题的时候,不是怎么去提升写代码的效率,而是如何把程序员从大量“CRUD类业务需求”的中解放出来,让Agent从PRD阶段就开始介入,实现从PRD到代码交付的完整需求研发流程。让开发同学能更专注于复杂的架构设计、技术选型和业务创新等更具创造性的工作。


核心技术重点


▐  2.1. 研发Agent的设计理念


基于业务需求统计分析,我们将初期重点聚焦于中后台场景下1-3天人日及以下的日常开发需求。数据显示,此类需求在整体业务需求中占据相当高的比例,具备显著的规模化提效价值。


当前系统处于快速迭代阶段,我们正持续优化Agent的准确率和稳定性。待技术成熟度达到生产标准后,将推进云端部署策略。


一旦实现PRD到代码部署的完整自动化链路,可以向产品经理、业务运营等非技术角色开放,真正实现"人人皆可开发"的技术普惠愿景。这将从根本上重构传统的需求-开发协作模式。


  • 2.1.1. 垂直化


当前市场上的通用Agent产品(如Manus等)普遍采用大对话框交互模式,表面上功能全面,但实际效果有限。以Manus为例,其任务完结率也就在35%不到,显示了通用型方案在不同类型的需求下落地的问题。


基于对行业趋势的深度分析,我认为Agent技术的未来发展方向必然是垂直化专业解决方案。以Cursor、Claude Code等产品为例,虽然它们在编码阶段表现出色,但由于缺乏企业内部研发SOP和标准化规范的深度集成,无法覆盖从需求到交付的完整业务流程。


知识沉淀的关键价值

垂直化场景需要大量行业专有知识信息的深度沉淀,包括业务规范、技术标准、流程模板等。缺乏这些专业语料输入,Agent在私有化、专业化业务场景下难以达到生产级别的需求交付质量。


  • 2.1.2. 以需求为中心,而非工具导向


当前,无论是集团内部还是外部厂商,都在AI Native IDE赛道展开激烈竞争。外部有Cursor、Windsurf等产品,国内有Trae,CodeBuddy等方案,集团内部也是是百花齐放。


观察最前沿的编码智能体产品——Claude Code、Gemini CLI——我们发现一个重要趋势:顶级方案并非以IDE形态呈现,而是采用更加灵活的独立Agent架构。这种架构选择背后有着深刻的技术逻辑:当前编程智能体已具备仓库深度理解、智能代码召回、业务知识库集成等核心能力,开发者无需进行冗余的上下文描述或手动代码选中操作。


交互模式的根本性变革

在新的交互范式下,开发者只需直接提交问题或需求描述,Agent即可自主完成:

  • 需求理解与代码定位
  • 自动化代码变更实施
  • LLM驱动的单元测试生成与执行
  • 基于Browser Use等服务的浏览器环境验证
  • Agent自主完成的Code Review流程


未来趋势:需求驱动的开发模式

当前IDE定位的局限性认知,目前绝大多数的IDE仍然局限于解决编码阶段的研发问题,这种定位在AI时代显得越来越不合时宜。无论是传统的VSCode、IntelliJ IDEA,还是新兴的AI增强型IDE如Cursor、Windsurf,它们的核心关注点依然停留在代码编写、调试和基础的智能提示层面。

以Amazon Kiro的SPEC模式发布为重要的行业转折信号,我们可以清晰洞察到研发模式的根本性变革趋势:从工具中心向需求中心的智能化转型。


Kiro的SPEC驱动开发将单一需求描述自动展开为完整的技术实现链路,这标志着行业正在从"如何更好地写代码"转向"如何更好地实现需求"的思维范式。在这种模式下,将单一提示(如"添加产品评价系统")自动展开为三个结构化组件:requirements.md(需求文档)、design.md(设计文档)和tasks.md(任务清单),真正实现了从"工具辅助编程"到"需求驱动开发"的范式转换。


相比于在IDE功能上的同质化,我们更应该专注于构建以需求为核心的智能化研发体系,未来的技术竞争核心将是需求理解能力和端到端交付的系统化程度,而非单点工具功能的堆叠。让技术真正服务于业务价值创造。


▐  2.2. Multi Agent System:


关于Multi-Agent架构设计,行业内已有大量技术文章和ATA分享覆盖通用技术能力。这里重点聚焦Coding Agent与Cursor、Cline等主流研发工具在架构设计上的差异化对比。


  • 2.2.1. 垂直化vs通用化的技术路径分析


主流工具的架构局限:单体Agent模式

当前主流Coding Agent产品普遍采用单体Agent架构。尽管部分产品引入了Planning阶段,但其核心能力仍局限于"Prompt到编码"这一单一环节的优化。

技术选择的底层逻辑 这种架构选择背后有着明确的产品定位考量:面向广泛行业技术开发群体的通用型产品,必须兼容多种行业和不同工作台研发流程,因此在架构复杂度上需要保持克制。


业务需求的完整链路映射

在实际业务开发中,标准研发流程通常包含以下关键阶段:

  • 需求确认与PRD梳理
  • 前端技术方案设计(常被简化或跳过)
  • 开发任务拆解与分配
  • 代码实现与单元测试
  • 代码提交与发布部署


NC AI Coding Agent的Multi-Agent架构设计

基于业务链路的完整映射,我们构建了专业化的Multi-Agent体系:

子Agent职责分工

  • 需求分析Agent:PRD解析与技术需求转换
  • 任务拆解Agent:开发任务颗粒化与优先级排序
  • 代码编写Agent:具体功能实现与代码生成
  • 发布部署Agent:CI/CD流程执行与环境部署

协调机制设计 各子Agent作为独立可运行的模块,由Master Agent统一协调管理,支持基于实际需求动态调整执行序列,确保流程的灵活性和可扩展性。


Workflow模式的优势选择

考虑到行业内需求研发链路的相对标准化特征,我们采用Workflow模式替代完全动态的Agent调度。这种设计选择能够:

  • 提供更清晰的流程可视化
  • 降低系统复杂度和故障排查难度
  • 保持足够的灵活性同时确保流程标准化

这种架构既保证了专业深度,又兼顾了工程实践的可靠性。


  • 2.2.2. ReAct模式和Human in the Loop:智能协作的核心机制


ReAct模式:推理与行动的统一框架

ReAct(Reasoning and Acting)模式是现代Agent系统的核心架构模式,通过将推理过程与具体行动紧密结合,实现了更加可靠和可解释的智能决策。该模式的核心特征包括:

  • 推理透明化:Agent在执行每个操作前都会明确表达其推理逻辑
  • 行动可追溯:每个决策步骤都有明确的思考路径记录
  • 错误自纠正:通过观察行动结果调整后续推理策略
  • 工具链集成:支持复杂的多步骤工具调用与结果整合

Human in the Loop:人机协作的最佳实践

Human in the Loop(HITL)强调在自动化流程中加入人工监督和干预,确保AI系统在复杂业务场景下的可控性和准确性:

核心协作机制

  • 人工审核校验:通过人工审核检查和修正AI输出,确保结果质量符合业务标准
  • 实时干预控制:在关键决策节点暂停执行,等待人类专家判断和指导
  • 反馈学习优化:收集人类反馈数据,持续改进系统决策能力和准确率


在Coding Agent中的应用实践


关键节点控制&反馈机制设计

  • 需求理解确认:PRD解析完成后,由产品或技术负责人确认需求理解准确性
  • 技术方案评审:架构设计方案生成后,由工程师进行技术可行性评估
  • 代码质量把关:核心功能代码生成后,通过人工Code Review确保代码质量
  • 即时纠错反馈:开发者可在任意环节对AI输出进行实时修正和指导
  • 历史经验沉淀:将人工干预的决策逻辑沉淀为知识库,提升后续类似场景的自动化率
  • 持续学习循环:基于人类专家的反馈数据,不断优化Agent的决策模型和执行策略

通过ReAct模式与Human in the Loop的深度结合,我们实现了既保证自动化效率,又确保输出质量的智能研发体系。


  • 2.2.3. Requirement Agent:智能需求分析的技术实现


需求分析Agent作为整个研发链路的起始环节,承担着将产品需求转化为技术实现方案的关键职责。该Agent具备专业前端开发视角,能够从多维度输入中精准提取技术实现要素。


多维度输入处理能力

需求分析Agent的输入源以核心PRD文档为主,同时根据项目复杂度灵活接纳相关补充资料。这些扩展材料通常包括后端接口文档与API规范、UI/UX设计稿与交互原型、业务流程图与数据模型,以及技术约束与性能要求等关键信息。


智能分析输出

基于专业前端开发经验,需求分析Agent对输入材料进行深度解析,自动识别并拆解核心功能模块边界,精准定位当前需求对现有系统的影响范围。同时生成清晰、结构化的技术实现规划,并识别模块间依赖关系和开发优先级,为后续开发环节提供明确指导。


MCP服务架构集成

Agent初始化时会自动启动多类型MCP(Model Context Protocol)服务,构建完整的工具生态。在本地服务通信方面,系统采用STDIO通信服务确保高效的本地进程间通信和低延迟响应,同时直接集成文件系统以访问本地代码仓库和文档资源。


远程服务集成则通过SSE流式通信支持实时数据流传输,配合Streamable协议在高并发场景下实现可靠数据传输。特别值得注意的是,系统深度集成了Aone MCP Marketplace这一集团内部标准化工具服务平台,为开发流程提供了丰富的基础工具支持。


数据安全与合规保障

在使用Cursor、Cline等第三方工具时,往往存在显著的数据泄露风险。业务敏感信息可能在无感知情况下传输至外部服务,API Key、数据库连接串等关键凭证面临暴露风险。当开发环境中同时使用VPN、代理工具时,数据流向的不可控性进一步加剧了安全隐患。


针对这些安全挑战,我们在PRD分析阶段采用了Qwen VL视觉语言模型的本地化部署方案。这种设计确保数据处理完全在本地环境中完成,在需求分析层面即实现了业务敏感数据的有效隔离。系统根据数据敏感级别采用差异化处理策略,关键数据处理环节与外网完全隔离,并基于角色实现细粒度的数据访问控制。


通过这种架构设计,我们在保证智能化分析能力的同时,从技术底层确保了企业数据的安全性和合规性,满足了企业级应用的严格安全要求。


  • 2.2.4. TaskPlan Agent vs CodeAct Agent:从计划到执行的智能分离


任务拆解Agent的核心价值

在当前的一些编码Agent应用中,普遍会存在的一个问题:实际编写的代码质量极不稳定。这种现象如同一个人做事时缺乏思考,一股脑直接动手,结果往往难以令人满意。即使偶尔能产出不错的结果,也很难保障持续的稳定输出。

编程工作同样遵循这一规律。正确的开发流程应该是针对需求变更制定详细的变更计划。首先需要全面收集所有相关的有用信息,然后基于前一阶段需求分析Agent产出的"前端技术方案"进行编码策略的系统性拆解,最终产出一份详细的变更执行计划,即具体的编码任务清单。


Plan Mode与Act Mode的架构分离

目前主流的编码Agent都支持Plan Mode和Act Mode的模式切换,这种设计体现了软件工程中"思考与执行分离"的核心理念。


这种Plan-Act分离的架构设计带来了显著的工程价值。通过将思考与执行明确分离,我们不仅提高了代码生成的质量稳定性,还增强了整个开发过程的可控性和可追溯性。开发者能够在Plan阶段充分评估风险和制定策略,在Act阶段则专注于高效执行,从而实现了开发效率与代码质量的双重提升。


  • 2.2.5. 任务设计:超越传统Plan模式的架构创新


相比Claude Code和Cline的规划过程,NC Coding Agent在任务设计维度实现了更精细化的颗粒度控制。经过反复测试验证,我们参考了业内知名项目Task Master的设计理念,构建了完整的任务对象架构体系。


每个任务对象包含丰富的元数据信息:从基础的ID标识和描述性标题,到详细的实施指导和验证策略,再到复杂的依赖关系管理和优先级排序机制。特别值得注意的是,我们引入了状态追踪机制,通过previousStatus字段实现变更轨迹的完整记录,为项目管理和问题追溯提供了可靠基础。

Property财产

Type类型

Description描述

Example例子

id

Number  

Unique identifier for the task
任务的唯一标识符

1

title

String  

Brief, descriptive title简短的描述性标题

"Implement Task Data Structure"

description

String  

Concise description of the task purpose
任务目的的简洁描述

"Design and implement the core tasks.json structure..."

status

String  

Current state (pending

,in-progress,done

,deferred )
当前状态(pending、in-progress、done、deferred )

"done"

dependencies

Array  

IDs of tasks that must be completed before this task
必须在该任务之前完成的任务的 ID

[1, 2]

priority

String  

重要性级别( high、medium、low )

"high"

details

String  

In-depth implementation instructions
深入实施说明

"Create the foundational data structure including..."

testStrategy

String  

Verification approach for the task
任务的验证方法

"Verify that the tasks.json structure can be created..."

subtasks

Array  

List of smaller, more specific tasks
更小、更具体的任务列表

[{...}, {...}]

previousStatus

String  

Status before the current one (for tracking changes)
当前状态之前的状态(用于跟踪更改)

"in-progress"


  • 2.2.6. Deployment Agent:端到端交付的智能化闭环


代码编写完成后,需要进入代码管理和发布环节。Deployment Agent作为研发链路的最后一环,承担着从代码提交到最终交付的完整自动化流程。


核心功能职责

Deployment Agent的职责范围涵盖了完整的代码交付生命周期。在版本控制管理方面,它负责执行标准化的Git操作流程,包括创建符合命名规范的开发分支、生成规范化的提交记录以及推送代码到远程仓库。这些操作都严格遵循企业级的代码管理最佳实践,确保版本历史的清晰性和可追溯性。


平台集成与工作流自动化

通过与集团研发 Code MCP的深度集成,Deployment Agent能够自动生成Merge Request,并处理与部署相关的各项配置工作。整个流程完成后,系统会主动发送浏览器消息通知,及时告知用户需求已完成交付,可前往集团研发平台进行验收确认。这种端到端的自动化机制大大减少了人工干预的环节,提升了交付效率。


多平台部署能力扩展

在预发环境部署方面,Deployment Agent展现出了良好的平台适配能力。对于标准的集团研发应用,系统已经具备了直接部署的完整能力。针对前端中后台业务场景,目前对接了多种部署环境。


采用了可扩展的设计理念。随着各研发平台陆续提供对应的MCP服务支持,Deployment Agent将能够无缝集成更多的部署目标,实现真正意义上的多平台统一部署能力。这种设计不仅保证了当前业务需求的满足,也为未来的技术演进预留了充足的扩展空间。


通过这种智能化的部署管理,我们实现了从需求分析到最终交付的完整自动化链路,让开发者能够专注于业务逻辑的实现,而将繁琐的部署流程完全交给AI来处理。


▐  2.3. 上下文工程:解决AI编程的根本挑战


AI编程面临诸多固有局限,包括"抽盲盒"式的不确定性、领域偏科现象、短期记忆缺失以及信息滞后等问题。与人类开发者最根本的差异在于,AI缺乏"长期记忆"能力,每次对话都只能基于当前提供的有限信息理解项目全貌,且无法进行意图推测。


我喜欢将Coding AI类比为"患有健忘症的技术专家"——它拥有扎实的技术功底,却对业务背景和代码历史一无所知。因此,无论是新项目开发、需求迭代还是Bug修复,核心都在于为AI提供精确的上下文信息。提供的背景越详实,AI需要"猜测"的部分就越少。精确的上下文虽不能保证完全正确的结果,但模糊的上下文必然导致模糊的产出。


上下文工程(Context Engineering)的本质可以通过与提示词工程的对比来理解:如果说提示词工程更像是在定义模型的角色和身份,那么上下文工程则是为模型提供完成任务所需的具体信息和背景知识。



在基于LLM的应用运行过程中,系统需要持续提供合适的背景信息和上下文数据。特别是在以Agent为核心的应用场景中,多轮交互的每个环节都需要不同的、精准的上下文信息,只有这样才能最大化Agent的执行效果。

正如Andrej Karpathy所阐述的,LLM可以类比为一种新型操作系统。在这个类比中,LLM相当于CPU,而上下文窗口则相当于RAM,充当模型的工作内存。与物理RAM的限制类似,LLM上下文窗口处理各种信息源的能力同样有限。正如操作系统需要智能筛选适合加载到内存中的内容一样,上下文工程也承担着类似的资源管理和优化调度职能。


上下文工程领域延伸出很多手段:

  • RAG(Retrieval-Augmented Generation,检索增强生成):通过语义化响亮搜索,从知识库中检索与用户问题最相关的文档片段,并拼接到上下文,提升回答准确性;
  • Memory(记忆):引入长短期记忆,帮助模型回顾过往记录;
  • Tool Calling/MCP(工具调用):通过结构化提示词告诉模型如何调用预定工具(如数据库查询、API调用等)来获取外部信息,是一种与世界连接的输入增强方式。


▐  2.4. 代码Context理解与处理


在需求分析子Agent完成具体需求拆解之后,如何高效、准确地理解和处理现有代码仓库成为了整个系统面临的核心技术挑战。我们的目标是让AI具备如经验丰富的工程师般的能力:能够快速熟悉项目架构、深入理解代码逻辑,并在此基础上完成代码生成、智能问答和架构重构等复杂任务。


面对动辄数万行甚至数十万行的企业级代码库,将整个代码仓库直接输入LLM显然是不可行的。这种简单粗…

— 以上为试看内容(约 40%),开通会员后阅读全文 —